論文の概要: Robust Image Processing Techniques for Construction Environment Monitoring Using Underwater Robots

• arxiv url: http://arxiv.org/abs/2607.01915v1
• Date: Thu, 02 Jul 2026 09:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.755313
• Title: Robust Image Processing Techniques for Construction Environment Monitoring Using Underwater Robots
• Title（参考訳）: 水中ロボットを用いた建設環境モニタリングのためのロバスト画像処理技術
• Abstract要約: 本稿では,水中ロボットによる建設環境モニタリングのためのロバストな画像処理フレームワークを提案する。 本稿では,深度を考慮した前方散乱と前景劣化による背景劣化を逐次モデル化する処理パイプラインを提案する。 韓国沿岸で収集された実際の水中データセットの実験では、視覚的品質とUIQMスコアが一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 3.430139395525602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a robust image processing framework for underwater robot-based construction environment monitoring, targeting complex degradations observed in real marine environments. Unlike conventional approaches that mainly consider absorption and backscattering, real underwater imagery is strongly affected by depth-dependent forward scattering blur and particle-induced degradations such as marine snow. To address this, we introduce a staged processing pipeline that sequentially models background degradation via depth-aware forward scattering and foreground degradation using realistic marine snow patterns extracted from real images. The resulting synthetic data are used to retrain an existing Joint-ID network without modifying its architecture, enabling an isolated evaluation of dataset realism. In addition, a lightweight post-processing scheme is applied to enhance contrast and structural clarity. Experiments on real underwater datasets collected in Korean coastal environments demonstrate consistent improvements in visual quality and UIQM scores. The results indicate that explicitly modeling forward scattering and realistic particle effects effectively reduces the synthetic-to-real gap and improves practical applicability in real-world underwater robotic operations.
• Abstract（参考訳）: 本稿では,水中ロボットによる建設環境モニタリングのための頑健な画像処理フレームワークを提案する。 吸収や後方散乱を主に考慮する従来の手法とは異なり、実際の水中画像は深度に依存した前方散乱のぼかしや、海洋雪などの粒子による劣化の影響が強い。 そこで本研究では,実画像から抽出したリアルな積雪パターンを用いて,深度認識前方散乱と前景劣化を逐次モデル化する処理パイプラインを提案する。 得られた合成データは、アーキテクチャを変更することなく既存のJoint-IDネットワークを再トレーニングするために使用され、データセットリアリズムの独立した評価を可能にする。 さらに、コントラストと構造的明確性を高めるために軽量な後処理方式を適用した。 韓国沿岸で収集された実際の水中データセットの実験では、視覚的品質とUIQMスコアが一貫した改善が示されている。 その結果、前方散乱と現実的な粒子効果を明示的にモデル化することで、合成と現実のギャップを効果的に減らし、実世界の水中ロボット操作における実用性を向上させることが示唆された。

関連論文リスト

• Rethinking Conditional Generation for Underwater Salient Object Detection [69.38806804258452]
  コンディショナル・ジェネレーション・ネットワーク(DCGNet)は、水中のサリエンシ生成のための信頼性の高いコンディショナル・特徴を構築するために設計されている。 DCGNetは既存の最先端手法を著しく上回り、複雑な水中視覚応用の可能性を検証している。
  論文  参考訳（メタデータ） (2026-07-02T07:48:06Z)
• A Probabilistic Framework for Improving Dense Object Detection in Underwater Image Data via Annealing-Based Data Augmentation [0.0]
  本研究では,高密度・非拘束の水中シーンにおけるロバスト性向上を目的とした新しいデータ拡張フレームワークを提案する。 本手法は,訓練中の空間の多様性と物体密度を向上し,複雑なシーンへの一般化を向上する。 これらの結果は,密集した現実世界の水中環境における検出性能向上のための拡張戦略の有効性を示すものである。
  論文  参考訳（メタデータ） (2026-04-23T01:44:56Z)
• BALTIC: A Benchmark and Cross-Domain Strategy for 3D Reconstruction Across Air and Underwater Domains Under Varying Illumination [6.8920172327690175]
  BALTIC(Baltic, BALTIC, BALTIC)は, 近代的な3次元再構成手法を中・光の変動下で評価するためのベンチマークである。 このベンチマークは、2つのメディア(空気と水)と3つの照明条件(周囲、人工、混合)にまたがる13のデータセットで構成されている。 類似の照明条件下で観測された少数の水中ビューで水中画像列を増大させることにより、ドメイン間再構築を検討する。
  論文  参考訳（メタデータ） (2026-04-21T06:32:07Z)
• 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)
• Underwater Image Reconstruction Using a Swin Transformer-Based Generator and PatchGAN Discriminator [0.0]
  本稿では,水中画像再構成のためのGAN(Generative Adversarial Network)にSwin Transformerアーキテクチャを組み込んだ新しいディープラーニングフレームワークを提案する。 我々は,異なる品質の水中画像を含むEUVPデータセットを用いて,我々のモデルを訓練し,評価した。 その結果,有効色バランス回復,コントラスト改善,ヘイズ低減が認められた。
  論文  参考訳（メタデータ） (2025-12-05T16:40:23Z)
• 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)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• A deep learning approach for marine snow synthesis and removal [55.86191108738564]
  本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。 まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。 次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
  論文  参考訳（メタデータ） (2023-11-27T07:19:41Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Deep CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
  画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。 画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。 私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
  論文  参考訳（メタデータ） (2020-03-27T21:45:41Z)
• Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement [10.143025577499039]
  物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。 水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。 合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2020-02-20T07:50:00Z)

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。