論文の概要: WaterGen: Decoupling Scene and Medium in Underwater Image Generation

• arxiv url: http://arxiv.org/abs/2606.31147v1
• Date: Tue, 30 Jun 2026 05:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.084541
• Title: WaterGen: Decoupling Scene and Medium in Underwater Image Generation
• Title（参考訳）: WaterGen:水中画像生成におけるシーンと媒体の分離
• Abstract要約: 大規模でリアルで多様な水中画像を生成する方法であるWaterGenを紹介する。 提案手法は水中画像生成を,現実的かつ多様なシーン内容と,正確かつ制御可能な水媒体効果の2つの要因の分離制御として扱う。 我々はWaterGenを利用して、シーン構造に多様性があり、水の影響や擬似ラベルの正確性に富んだ大規模な合成水中データセットを構築します。
• 参考スコア（独自算出の注目度）: 21.984874882126288
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Underwater computer vision tasks, such as detection, restoration, and segmentation, are limited by the scarcity of large-scale and diverse training data. We introduce WaterGen, a method for generating large-scale, realistic, and diverse underwater images that provides independent control of the scene and water medium conditions. Our approach treats underwater image generation as the decoupled control of two factors: realistic and diverse scene content (what is in the image), and accurate and controllable water medium effects (what the water does to the image). Existing methods generally achieve only part of this objective: they either provide controllability with limited realism or diversity, or generate realistic scenes without accurately and independently modeling water-medium effects. Our key insight, that allows us to avoid this compromise, is that scene generation and medium modeling can be decoupled within a latent diffusion framework, enabling diverse scene generation together with accurate and controllable underwater appearance. To do this, we decompose underwater image synthesis into two stages. First, we fine-tune the latent diffusion U-Net using degradation-free underwater images so that it learns to generate diverse and realistic latent embeddings of underwater scene content without medium-induced degradation. Second, we formulate the physically accurate medium degradation synthesis as a conditional decoding process applied to these latent embeddings. This decoupled design allows our model to generate diverse scenes with full control of underwater appearance. We leverage WaterGen to build large-scale synthetic underwater datasets that are diverse in scene structures and accurate in water effects and pseudo-labels. We demonstrate that our synthetic data consistently improve downstream performance in underwater restoration and semantic segmentation.
• Abstract（参考訳）: 検出、復元、セグメンテーションなどの水中コンピュータビジョンタスクは、大規模で多様なトレーニングデータの不足によって制限される。 本研究では,大規模でリアルで多様な水中画像を生成する方法であるWaterGenを紹介した。 提案手法は,水中画像生成を,現実的で多様なシーン内容(画像中のもの)と,正確な水媒体効果(画像に水が与える影響)の2つの要因の分離制御として扱う。 既存の方法は一般的にこの目的の一部しか達成せず、制限されたリアリズムや多様性を持つ制御性を提供するか、正確に独立して水-ナトリウム効果をモデル化することなく現実的なシーンを生成する。 この妥協を回避できる重要な洞察は、シーン生成と媒体モデリングを遅延拡散フレームワーク内で分離することができ、多様なシーン生成と、正確で制御可能な水中の外観を可能にすることである。 そこで我々は水中画像合成を2段階に分解する。 まず、劣化のない水中画像を用いて潜伏拡散U-Netを微調整し、中程度の劣化を伴わずに水中のシーン内容の多様で現実的な潜伏埋め込みを生成することを学習する。 第2に、これらの潜伏埋め込みに適用した条件付き復号法として、物理的に正確な媒体劣化合成を定式化する。 この分離された設計により、我々のモデルは水中の外観を完全に制御した多様なシーンを生成できる。 WaterGenを利用して、シーン構造が多様で、ウォーターエフェクトや擬似ラベルが正確である大規模な合成水中データセットを構築します。 合成データは水中の復元とセマンティックセグメンテーションにおける下流性能を継続的に向上することを示した。

関連論文リスト

• 3D-USE: From Image-Level to Scene-Level Underwater Enhancement [54.11922584483346]
  水中のシーンレベル向上(USE) 強化のための信頼性のあるシーン表現と、強化された3Dデータをペア化せずに一貫した拡張ターゲットを使用する。 水中での実際の実験では、視界と視界の整合性が向上し、復元品質が保たれた。
  論文  参考訳（メタデータ） (2026-08-28T07:34:13Z)
• Ocean4D: Generative Underwater 4D Reconstruction via Medium-Aware Video Diffusion [53.39217286144327]
  そこで我々は,Ocean4Dという水中4D再構成のための生成フレームワークを提案する。 4D-GCCは、クロスフレームカバレッジを改善した4Dの幾何的整合条件を構築する。 中知ブロックは、潜水拡散過程において暗黙の中知デノイングを行い、水中の外観を安定させる。
  論文  参考訳（メタデータ） (2026-06-22T13:10:26Z)
• 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)
• Optical Ocean Recipes: Creating Realistic Datasets to Facilitate Underwater Vision Research [0.0]
  制御された水中条件下で現実的なデータセットを作成するためのフレームワークを提案する。 合成水やオープンウォーターとは異なり、これらのレシピは、キャリブレーションされた色と散乱添加剤を使用して、水組成が画像の外観に与える影響の反復的および制御的なテストを可能にする。 制御された環境は、水パラメータ推定、画像復元、セグメンテーション、視覚SLAM、水中画像合成など、様々な視覚タスクのための地中構造データの作成を可能にする。
  論文  参考訳（メタデータ） (2025-09-24T14:36:35Z)
• Single-Step Latent Diffusion for Underwater Image Restoration [25.229678050715496]
  水中画像復元アルゴリズムは、水中で撮影されたシーンの色、コントラスト、外観を復元しようとする。 海洋生態学や養殖から水中建設や考古学まで、様々な応用において重要な道具である。 Slurppは既存の拡散法よりも200倍高速で、合成ベンチマークではPSNRが3dB改善されている。
  論文  参考訳（メタデータ） (2025-07-10T16:02:07Z)
• Learning Underwater Active Perception in Simulation [51.205673783866146]
  タービディティは、検査された構造物の正確な視覚的記録を阻止する可能性があるため、ミッション全体を危険に晒す可能性がある。 従来の研究は、濁度や後方散乱に適応する手法を導入してきた。 本研究では, 広範囲の水環境下での高品質な画像取得を実現するための, 単純かつ効率的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-23T06:48:38Z)
• AquaFuse: Waterbody Fusion for Physics Guided View Synthesis of Underwater Scenes [6.535472265307327]
  水中画像中の水体特性を合成する物理法であるAquaFuseについて紹介する。 AquaFused画像は94%以上の奥行き一貫性と90-95%の構造的類似性を保っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-02T03:20:06Z)
• Photorealistic Object Insertion with Diffusion-Guided Inverse Rendering [56.68286440268329]
  現実世界のシーンの画像に仮想オブジェクトを正しく挿入するには、シーンの照明、幾何学、材料を深く理解する必要がある。 本稿では,物理ベースの逆レンダリングプロセスへのガイダンスとして,パーソナライズされた大規模拡散モデルを提案する。 本手法は,シーンライティングとトーンマッピングのパラメータを復元し,任意の仮想オブジェクトの光リアルな構成を室内や屋外のシーンの単一フレームやビデオで再現する。
  論文  参考訳（メタデータ） (2024-08-19T05:15:45Z)
• 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)
• MetaUE: Model-based Meta-learning for Underwater Image Enhancement [25.174894007563374]
  本論文では,様々な水中シナリオ下でクリーンな画像を復元するためのモデルに基づくディープラーニング手法を提案する。 メタラーニング戦略は、合成水中データセット上で事前訓練されたモデルを得るために用いられる。 その後、モデルが実際の水中データセットに微調整され、MetaUEと呼ばれる信頼性の高い水中画像拡張モデルが得られる。
  論文  参考訳（メタデータ） (2023-03-12T02:38:50Z)
• Domain Adaptation for Underwater Image Enhancement via Content and Style Separation [7.077978580799124]
  水中画像は、カラーキャスト、低コントラスト、光吸収、屈折、散乱によるハジー効果に悩まされている。 近年の学習に基づく手法は水中画像の強調に驚くべき性能を示した。 本稿では,コンテンツとスタイル分離による水中画像強調のためのドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-17T09:30:29Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)

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。