論文の概要: RPL-UIE: Reliable Prior Learning for Underwater Image Enhancement
- arxiv url: http://arxiv.org/abs/2608.00137v1
- Date: Fri, 31 Jul 2026 14:30:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.50547
- Title: RPL-UIE: Reliable Prior Learning for Underwater Image Enhancement
- Title（参考訳）: RPL-UIE:水中画像強調のための信頼性の高い事前学習
- Abstract要約: 水中画像強調のための信頼性の高い事前学習のためのフレームワークであるRPL-UIEを提案する。
教師段階において、ネットワークは、対の劣化画像と参照画像から外観と光度特性を特徴付ける信頼性と相補的な空間的優先順位を学習する。
学生の段階では、ネットワークは劣化した画像のみを入力として取り、教師の事前抽出能力をエミュレートすることを学ぶ。
- 参考スコア（独自算出の注目度）: 26.456497000099148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater image enhancement (UIE) aims to recover clear images from observations affected by wavelength-dependent absorption, scattering, and spatially nonuniform degradation. Although existing generative methods can handle complex degradations, severe information loss may lead to semantic drift in the restored results. To address this issue, we propose RPL-UIE, a two-stage teacher--student framework for reliable prior learning. In the teacher stage, the network learns reliable and complementary spatial priors characterizing appearance and photometric properties from paired degraded and reference images. In the student stage, the network takes only degraded images as input and learns to emulate the teacher's prior extraction capability, thereby providing more reliable restoration guidance for the enhancement process without requiring reference images at inference. To reduce the prior-learning discrepancy between the teacher and student models, we further develop Residual Prior Refinement Diffusion (RPRD) and Frequency-Aware Prior Residual Calibration (FPRC). RPRD uses the coarse priors as anchors and progressively predicts the necessary corrections in the residual space. FPRC retains stable low-frequency residual components and selectively modulates high-frequency detail residuals, producing calibrated priors to support high-quality reconstruction. Experiments on multiple UIE benchmarks demonstrate competitive restoration performance. Downstream underwater object detection and instance segmentation experiments further demonstrate the improved utility of enhanced images for visual perception, while tests on real-world data captured by a remotely operated vehicle (ROV) support the practical applicability of RPL-UIE.
- Abstract（参考訳）: 水中画像強調(UIE)は、波長依存性の吸収、散乱、空間的不均一な劣化による観察から透明な画像を復元することを目的としている。
既存の生成手法は複雑な劣化を処理できるが、深刻な情報損失は復元された結果のセマンティックドリフトにつながる可能性がある。
この問題に対処するために、信頼性の高い事前学習のための2段階の教員支援フレームワークであるRPL-UIEを提案する。
教師段階において、ネットワークは、対の劣化画像と参照画像から外観と光度特性を特徴付ける信頼性と相補的な空間的優先順位を学習する。
学生の段階では、ネットワークは劣化した画像のみを入力として取り、教師の事前抽出能力をエミュレートすることを学び、推論時に参照画像を必要とすることなく、より信頼性の高い強化プロセスの復元ガイダンスを提供する。
教師モデルと学生モデルとの事前学習の相違を低減するため,Residual Prior Refinement Diffusion (RPRD) と Frequency-Aware Presidual Calibration (FPRC) を開発した。
RPRDは粗い先行値をアンカーとして使用し、残留空間における必要な補正を徐々に予測する。
FPRCは安定な低周波残留成分を保持し、高周波詳細残基を選択的に変調し、高品質な再構成をサポートするために校正前駆体を生成する。
複数のUIEベンチマークの実験では、競合する復元性能が示されている。
下流水中物体検出およびインスタンスセグメンテーション実験は、遠隔操作車(ROV)が捉えた実世界のデータに対するテストは、RPL-UIEの実用性をサポートする一方で、視覚知覚のための改良された画像の有用性をさらに実証する。
関連論文リスト
- DARD: Zero-Shot Degradation-Aware Retinex-Guided Diffusion for Low-Light Image Enhancement [12.004067198386421]
低照度画像強調のためのゼロショットデグラデーション・アウェア・レチネックス誘導拡散フレームワークであるDARDを提案する。
DARDはまず、テスト時間劣化認識Retinex分解を通じて劣化した入力から画像特異的物理先行情報を抽出する。
そして、これらの前駆体を時間順応的な周波数融合戦略を通じて逆拡散させ、構造的アンカーと詳細生成のバランスをとる。
実験により、DARDは強い歪みと知覚性能を達成し、既存のゼロショットベースラインを一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-08-29T12:55:38Z) - Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。
SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。
MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
論文 参考訳（メタデータ） (2026-08-12T07:39:22Z) - Noise-Free One-Step LoRA for Task-Driven Image Restoration with Diffusion Priors [54.200377321709546]
劣化した画像は視覚的品質を低下させるだけでなく、下流の高レベル視覚タスクを損なう。
タスク駆動画像復元(TDIR)は、復元品質とタスク性能を協調的に最適化することでこの問題に対処する。
予め訓練した拡散前処理による雑音のない1段階前処理は,TDIRを大幅に改善できることを示す。
また,タスク性能を犠牲にすることなく,知覚品質を向上させるタスク保存型GANトレーニング戦略を導入する。
論文 参考訳（メタデータ） (2026-07-28T07:51:44Z) - MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration [15.897294007874898]
MG-SpaIRは、単一の観察からクリーンなイメージを復元するためのトレーニングデータのないフレームワークである。
分解能グレードにまたがる再構成を段階的に洗練する多品位粗い残留階層を導入する。
混合劣化ベンチマークの実験は、MG-SpaIRが強いトレーニングデータのないベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-06-30T20:17:37Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳（メタデータ） (2024-10-16T08:07:18Z) - Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。
TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。
これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
論文 参考訳（メタデータ） (2024-08-17T09:51:42Z) - HIR-Diff: Unsupervised Hyperspectral Image Restoration Via Improved
Diffusion Models [38.74983301496911]
ハイパースペクトル画像(HSI)の復元は、劣化した観察からクリーンなイメージを復元することを目的としている。
既存のモデルに基づく手法は、複雑な画像の特徴を正確にモデル化するのに限界がある。
本稿では,事前学習拡散モデル(HIR-Diff)を用いた教師なしHSI復元フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-24T17:15:05Z) - Analysis of Deep Image Prior and Exploiting Self-Guidance for Image
Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。
ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。
提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文 参考訳（メタデータ） (2024-02-06T15:52:23Z) - Reti-Diff: Illumination Degradation Image Restoration with Retinex-based
Latent Diffusion Model [59.08821399652483]
照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。
これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。
我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。
Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
論文 参考訳（メタデータ） (2023-11-20T09:55:06Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳（メタデータ） (2023-10-29T13:58:57Z)
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。