論文の概要: Beyond Aesthetics: Quantifying Information Loss in Turbid Scenes
- arxiv url: http://arxiv.org/abs/2606.26295v1
- Date: Wed, 24 Jun 2026 18:40:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.055846
- Title: Beyond Aesthetics: Quantifying Information Loss in Turbid Scenes
- Title（参考訳）: 美学を超えて - タービッドシーンにおける情報損失の定量化
- Abstract要約: 本稿では,極度の濁度下で撮影された1,320枚の画像からなる,Turbid Underwater Baseline (TUB)データセットについて紹介する。
また、位相共役写像から導出されるコントラストに不変な計量であるPCDを提案する。
実画像と合成画像の両方において,PCDはインスタンス分割モデルの性能と強く相関していることを示す。
- 参考スコア（独自算出の注目度）: 16.595056641781245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visibility in underwater environments degrades rapidly under turbid conditions, yet the effects on computer-vision models remain unclear. This issue is compounded by reliance on synthetic turbidity datasets, which may misrepresent real-world information loss. To address this gap, we introduce the Turbid Underwater Baseline (TUB) dataset, comprising 1,320 images captured under extreme turbidity and over 16,000 high-confidence ground-truth segmentation masks. We additionally propose PCD, a metric derived from phase congruency maps that is invariant to contrast and aims to capture the loss of structural information in real turbidity. We show that PCD correlates strongly with the performance of instance segmentation models on both real and synthetic turbid images, whereas common metrics in the field show weak to no correlation at all. The dataset and relevant code can be found on the project page: https://vap.aau.dk/pcd
- Abstract（参考訳）: 水中環境の可視性は、濁った環境下で急速に低下するが、コンピュータビジョンモデルへの影響は未だ不明である。
この問題は、現実世界の情報損失を誤って表現する可能性のある合成濁度データセットに依存することで複雑化されている。
このギャップに対処するため,超大気圧下で撮影された1,320枚の画像と16,000枚以上の高信頼地下トラス・セグメンテーション・マスクからなるTurbid Underwater Baseline (TUB)データセットを導入した。
また, 位相共役写像から導出されるパラメータであるPCDを提案し, 実際の濁度における構造情報の損失を捉えることを目的とする。
実画像と合成タービッド画像の両方において,PCDはインスタンスセグメンテーションモデルの性能と強く相関することを示した。
データセットと関連するコードは、プロジェクトページで見ることができる。
関連論文リスト
- Preserve the Hard, Regenerate the Rest: Uncertainty-Guided Synthetic Training Data Augmentation with Diffusion Models [4.366339681077125]
本研究では, ラベルの有効性を厳格に保ち, 合成サンプル当たりの画素情報効率を効率的に最大化する, 不確実性誘導型合成文脈拡張戦略を提案する。
都市景観, UAVID, BDD100Kにおいて, バス, 電車, あるいは(航空の観点から) 車両などの希少で困難なクラスにおいて, かなりのmIUゲインを示す。
論文 参考訳（メタデータ） (2026-06-30T12:51:49Z) - MariData: One-Step Unpaired Image Translation for Maritime Environments [0.0]
本稿では,一段階の無人翻訳アーキテクチャであるCycleGAN-turboを用いて,合成海洋データを生成するフレームワークを提案する。
我々は7000枚の海洋画像のデータセットを収集し、デイ・トゥ・フォグギー、デイ・トゥ・サンセット、デイ・トゥ・ナイトドメイン翻訳のモデルを訓練し、評価した。
論文 参考訳（メタデータ） (2026-06-02T07:05:55Z) - Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。
本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-11T15:49:08Z) - Continuous Exposure-Time Modeling for Realistic Atmospheric Turbulence Synthesis [65.19146708498346]
大気の乱流は、幾何学的なワープと露光時間依存のぼかしを導入することで、長距離イメージングを著しく劣化させる。
既存の乱流効果の方法は、しばしばぼやけと露出時間の関係を単純化する。
我々は,連続露光時間モデリングを明示的に組み込んだ大規模合成乱流データセットET-Turbを構築した。
論文 参考訳（メタデータ） (2026-03-02T02:58:44Z) - A Generative Data Framework with Authentic Supervision for Underwater Image Restoration and Enhancement [51.382274157144714]
我々は、未ペア画像から画像への変換に基づく生成データフレームワークを開発する。
このフレームワークは、正確な地上構造ラベルを持つ合成データセットを構成する。
実験により、我々の合成データに基づいてトレーニングされたモデルが、既存のベンチマークでトレーニングされたモデルに匹敵する、あるいは優れた色復元と一般化性能が得られることが示された。
論文 参考訳（メタデータ） (2025-11-18T14:20:17Z) - Sea-ing Through Scattered Rays: Revisiting the Image Formation Model for Realistic Underwater Image Generation [17.03002065875237]
本研究では、一般的に省略される前方散乱項を含む改良された合成データ生成パイプラインを提案する。
また、制御された濁度条件下でBUCKETデータセットを収集し、対応する基準画像を用いて実際の濁度映像を取得する。
調査参加者の選抜率は82.5%であり, 基準モデルよりも質的改善が見られた。
論文 参考訳（メタデータ） (2025-09-18T14:42:24Z) - Underwater Monocular Metric Depth Estimation: Real-World Benchmarks and Synthetic Fine-Tuning with Vision Foundation Models [0.0]
実世界の水中データセットを用いたゼロショットおよび微調整単分子メートル法深度推定モデルのベンチマークを示す。
その結果,地上データ(実データや合成データ)に基づいて訓練した大規模モデルでは,水中での作業は不十分であることがわかった。
本研究では,水中における単分子距離深度推定の詳細な評価と可視化を行う。
論文 参考訳（メタデータ） (2025-07-02T21:06:39Z) - Depth Anything at Any Condition [21.800621254831718]
多様な環境条件を扱える基礎的単眼深度推定(MDE)モデルであるDepth Anything at Any Condition (DepthAnything-AC)を提案する。
これまでのMDEモデルは、一般的な場面で印象的なパフォーマンスを達成できたが、複雑なオープンワールド環境ではうまく機能しなかった。
比較的少量のラベル付きデータしか必要としない、教師なし整合正則化微調整パラダイムを提案する。
論文 参考訳（メタデータ） (2025-07-02T12:05:57Z) - Pseudo-Label Guided Real-World Image De-weathering: A Learning Framework with Imperfect Supervision [57.5699142476311]
非理想的な監視を伴う実世界のイメージデウェザリングのための統一的なソリューションを提案する。
本手法は,不完全整合型非整合性データセットのトレーニングにおいて,大きな利点を示す。
論文 参考訳（メタデータ） (2025-04-14T07:24:03Z) - Cross-Domain Underwater Image Enhancement Guided by No-Reference Image Quality Assessment: A Transfer Learning Approach [8.655561582874373]
単一水中画像強調(UIE)は難しい問題であるが、その開発は2つの大きな問題によって妨げられている。
水中参照データセットのラベルは擬似ラベルであり、教師付き学習におけるこれらの擬似基底真理を頼りにするとドメインの不一致につながる。
事前学習を通じてUIEの基本パラダイムをキャプチャするトランスUIEモデルを提案する。
論文 参考訳（メタデータ） (2025-03-23T04:40:07Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。
本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。
GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
論文 参考訳（メタデータ） (2020-06-11T16:19:41Z)
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。