論文の概要: A Dual-Branch Collaborative Framework for Joint Optimization of Underwater Image Enhancement and Object Detection
- arxiv url: http://arxiv.org/abs/2606.15857v1
- Date: Sun, 14 Jun 2026 15:25:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.894682
- Title: A Dual-Branch Collaborative Framework for Joint Optimization of Underwater Image Enhancement and Object Detection
- Title（参考訳）: 水中画像強調と物体検出の協調最適化のためのデュアルブランチ協調フレームワーク
- Abstract要約: 本稿では,物体検出のための効率的な2分岐水中画像強調フレームワークを提案する。
ディテールエンハンスメントブランチは明るさと局所コントラストを改善し、暗い領域のテクスチャディテールを回復する。
色復元部は、適応補償を用いて色歪みを低減し、色階調を改善する。
- 参考スコア（独自算出の注目度）: 13.283059746689377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to wavelength dependent light absorption and scattering, underwater images usually suffer from color distortion and blurred details, which limits underwater object detection performance. Existing underwater image enhancement methods mainly focus on visual quality improvement, while it is still difficult to balance enhancement quality, processing efficiency, and downstream detection performance. Therefore, this paper proposes an efficient dual-branch underwater image enhancement framework for object detection. The detail enhancement branch improves brightness and local contrast to recover texture details in dark regions. The color restoration branch uses adaptive compensation to reduce color distortion and improve color gradation. By combining the complementary outputs of the two branches, the proposed framework provides clearer and more informative images for object detection. On the UIEB and EUVP datasets, the proposed method achieves UIQM scores of 2.249 and 2.576. When applied to the YOLOv8 detection task on the URPC dataset, the proposed method improves mAP50 by 2.1\% compared with the baseline. Extensive experiments show that our method improves object detection in complex underwater scenes, while balancing enhancement quality and processing efficiency.
- Abstract（参考訳）: 波長依存性の光吸収と散乱のため、水中画像は通常、色歪みとぼやけた細部に悩まされ、水中物体の検出性能が制限される。
既存の水中画像強調法は主に視覚的品質向上に重点を置いているが, 画質向上, 処理効率, 下流検出性能の両立は困難である。
そこで本研究では,物体検出のための効率的な2分岐水中画像強調フレームワークを提案する。
ディテールエンハンスメントブランチは明るさと局所コントラストを改善し、暗い領域のテクスチャディテールを回復する。
色復元部は、適応補償を用いて色歪みを低減し、色階調を改善する。
2つのブランチの補完的な出力を組み合わせることで、提案フレームワークはオブジェクト検出のためのより明確でより情報的な画像を提供する。
UIEBとEUVPデータセットでは、提案手法はUIQMスコアが2.249と2.576である。
URPCデータセット上のYOLOv8検出タスクに適用すると、ベースラインと比較してmAP50が2.1\%向上する。
大規模な実験により, 複雑な水中環境下での物体検出の精度が向上し, 性能向上と処理効率の両立が図られた。
関連論文リスト
- Advancing Visual Reliability: Color-Accurate Underwater Image Enhancement for Real-Time Underwater Missions [52.04969451806431]
正確な色復元が可能なリアルタイム水中画像強調フレームワークを提案する。
提案手法は、7つの評価指標にまたがって最先端の性能を実現する。
多様な環境条件下でUCIQEのスコアを29.7%改善する。
論文 参考訳（メタデータ） (2026-03-17T10:51:00Z) - DACA-Net: A Degradation-Aware Conditional Diffusion Network for Underwater Image Enhancement [16.719513778795367]
水中画像は通常、散乱や吸収といった複雑な光学効果により、激しい色歪み、視界の低さ、構造的明瞭さの低下に悩まされる。
既存の拡張手法は、様々な劣化条件を適応的に扱うのに苦労し、水中固有の物理的前提を効果的に活用できないことが多い。
本研究では,水中画像の適応的・堅牢性を高めるための劣化認識条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2025-07-30T09:16:07Z) - Layer Decomposition and Morphological Reconstruction for Task-Oriented Infrared Image Enhancement [4.06181861004177]
赤外線画像は、霧、雨、低光といった複雑な気象条件下での自律運転の知覚能力を向上させるのに役立つ。
しかし、赤外線画像はしばしば低コントラストに悩まされ、特に自転車のような非熱発光ターゲットでは顕著である。
雑音を増幅せず重要な情報を失うことなくコントラスト強調を実現するタスク指向赤外線画像強調手法を提案する。
論文 参考訳（メタデータ） (2025-06-29T18:10:05Z) - LUIEO: A Lightweight Model for Integrating Underwater Image Enhancement and Object Detection [10.572090127928698]
本稿では,水中画像の強調と検出精度の向上を同時に行うマルチタスク学習手法を提案する。
統合モデルは、情報通信と異なるタスク間の共有を動的に調整することを可能にする。
数値実験により,提案モデルが視覚性能,物体検出精度,検出効率を満足できることを示す。
論文 参考訳（メタデータ） (2024-12-01T14:01:30Z) - HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。
視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
論文 参考訳（メタデータ） (2024-11-27T12:37:03Z) - Dual High-Order Total Variation Model for Underwater Image Restoration [13.789310785350484]
水中画像の高画質化と復元(UIER)は,水中画像の画質向上のための重要な手段である。
拡張水中画像形成モデル(UIFM)に基づく効果的な変分フレームワークを提案する。
提案フレームワークでは,重み係数に基づく色補正とカラーバランスを組み合わせることで,減衰した色チャネルを補償し,色キャストを除去する。
論文 参考訳（メタデータ） (2024-07-20T13:06:37Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement
and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。
本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。
微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文 参考訳（メタデータ） (2023-08-02T04:17:35Z) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-06-15T07:41:12Z) - A Correction-Based Dynamic Enhancement Framework towards Underwater
Detection [5.103759034134962]
低レベルの修正を導くために,コントリビューション辞書を用いた軽量な動的拡張アルゴリズムを提案する。
実水中物体検出タスクにおける実験結果から,提案手法の一般化と実時間性能の両面での優位性を示した。
論文 参考訳（メタデータ） (2023-02-06T04:11:52Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。