論文の概要: $π$-SUB: A Physics-Informed Synthetic Underwater Benchmark Dataset for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2608.10589v1
• Date: Tue, 11 Aug 2026 07:16:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.948315
• Title: $π$-SUB: A Physics-Informed Synthetic Underwater Benchmark Dataset for Underwater Image Enhancement
• Title（参考訳）: $π$-SUB: 水中画像強調のための物理式合成水中ベンチマークデータセット
• Abstract要約: $$-SUBは、合成水中ベンチマークデータセットを生成する物理インフォームドフレームワークである。 $-SUBは次世代の水中画像強調法を開発するための超現実的で一般化可能なベンチマークである。
• 参考スコア（独自算出の注目度）: 6.278573048593144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents $π$-SUB, a physics-informed framework for generating synthetic underwater benchmark datasets that bridges the synthetic-to-real gap for Underwater Image Enhancement (UIE). The proposed framework extends the classical underwater image formation model by incorporating depth-dependent downwelling irradiance, biologically resolved absorption, and environmental scattering across all ten Jerlov water types, together with independently controllable residual phenomena. Using this framework, the $π$-SUB dataset consists of paired synthetic underwater-reference images spanning shallow-to-deep and coastal-to-oceanic environments. Extensive simulation studies have been carried out to evaluate $π$-SUB along two criteria namely hyper-realism and generalizability. For hyper-realism, $π$-SUB attains a global Frechet Inception Distance (FID) that is 46% lower than Syrea. For generalizability, four state-of-the-art UIE architectures (FUnIE-GAN, Pix2Pix, PUIE-Net, and Phaseformer) are used for comparative evaluation of $π$-SUB. These models were independently trained on six datasets including one real and five synthetic datasets and tested on six real-world benchmarks datasets. Across four UIE architectures and six real benchmark datasets, $π$-SUB improves UIQM by 4.18% over PHISWID (next best) and 9.46% over Syrea (next best), while reducing NIQE by 48.78% and 23.98%, respectively. These results establish $π$-SUB as a hyper-realistic and generalizable benchmark for developing the next generation of underwater image enhancement methods. The code and dataset are available at https://github.com/airl-iisc/pi-SUB
• Abstract（参考訳）: 本稿では,水中画像強調(UIE)のための合成から現実のギャップを橋渡しする,合成水中ベンチマークデータセットを生成する物理インフォームドフレームワークであるπ$-SUBについて述べる。 提案フレームワークは, 従来の水中画像形成モデルを拡張し, 深度依存下降光, 生物学的に分解された吸収, 環境散乱を, 独立に制御可能な残留現象とともに利用した。 このフレームワークを用いて、$π$-SUBデータセットは、浅海から深海にかけての環境にまたがる合成水中参照画像からなる。 超現実主義と一般化可能性という2つの基準に沿って、π$-SUBを評価するために大規模なシミュレーション研究が実施されている。 超現実主義では、$π$-SUBは、シレアよりも46%低いグローバルなフレシェ・インセプション・ディスタンス(FID)に達する。 一般化のために、4つの最先端UIEアーキテクチャ(FUnIE-GAN, Pix2Pix, PUIE-Net, Phaseformer)が$π$-SUBの比較評価に使用される。 これらのモデルは、1つの実数と5つの合成データセットを含む6つのデータセットで独立にトレーニングされ、6つの実数ベンチマークデータセットでテストされた。 4つのUIEアーキテクチャと6つの実際のベンチマークデータセットで、$π$-SUBはUIQMを4.18%、PHISWIDを9.46%、Syreaを9.46%、NIQEを48.78%、23.98%改善している。 これらの結果は次世代の水中画像強調法を開発するための超現実的で一般化可能なベンチマークとして$π$-SUBを確立した。 コードとデータセットはhttps://github.com/airl-iisc/pi-SUBで公開されている。

関連論文リスト

• SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD [91.71050339479261]
  本稿では,Ascend NPU SuperPODにおけるエンドツーエンド最適化手法を提案する。 モデルレベルの並列性、計算通信オーケストレーション、低レベルのカーネル実行にまたがる階層的最適化フレームワークを開発した。 その結果、34.22%のモデルFLOP(Model FLOP)利用が達成され、オープンソースのベースラインレシピよりも2.93倍改善された。
  論文  参考訳（メタデータ） (2026-07-22T13:49:17Z)
• Physics-informed simulation framework for realistic sonar image generation and statistical validation [1.4610038284393168]
  ACOUSIMは合成ソナー画像と実ソナー画像の統計的アライメントを評価するフレームワークである。 ガゼボをベースとした環境は、海底テクスチャ、照明駆動影、プラットフォーム高度、騒音を明示的に制御することでソナーのような画像を生成する。
  論文  参考訳（メタデータ） (2026-05-19T11:49:11Z)
• Toward AI-Driven Digital Twins for Metropolitan Floods: A Conditional Latent Dynamics Network Surrogate of the Shallow Water Equations [5.797205612752907]
  Conditional Latent Dynamics Network (CLDNet) は降雨によって駆動される低次元潜在ニューラルネットワークである。 任意のクエリポイントで深さと放電を再構築する。 960ドル(約9,600円)の流域全体の予測を29ドル(約2,300円)で、スピードアップを115ドル(約1,300円)で提供する。
  論文  参考訳（メタデータ） (2026-05-13T16:41:14Z)
• Relational In-Context Learning via Synthetic Pre-training with Structural Prior [60.404256960057545]
  RDB-PFNは、$textbfsynthetic$で純粋にトレーニングされた最初のリレーショナルファンデーションモデルである。 構造因果モデル(Structure Causal Models, SCM)から生成された合成データが単一のテーブル上の推論を可能にするPFN(Presideed-Data Fitted Networks)にインスパイアされた。 RDB-PFNは、19の現実世界の予測タスクにおいて、強い数ショットのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-04T07:30:54Z)
• 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)
• Tree-Mamba: A Tree-Aware Mamba for Underwater Monocular Depth Estimation [85.17735565146106]
  水中単眼深度推定(UMDE)は水中劣化画像から高精度深度マップを推定することを目的とした重要な課題である。 我々は,水中の劣化画像から正確な単分子深度マップを推定するための,木を意識した新しいマンバ手法であるTree-Mambaを開発した。 海底深度推定ベンチマーク (BlueDepth) を構築し, 深度ラベルが信頼できる海底画像ペア38,162枚を構築した。
  論文  参考訳（メタデータ） (2025-07-10T12:10:51Z)
• 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)
• Physics Informed Capsule Enhanced Variational AutoEncoder for Underwater Image Enhancement [8.16306466526838]
  本稿では,最先端の水中画像強調を実現する新しいデュアルストリームアーキテクチャを提案する。 本手法は,専用物理推定器による送信マップと背景光の空間変化を同時に推定する。 提案手法は,複数の空間周波数にまたがる物理的定着と知覚的品質の両立を保証する新しい最適化目標も備えている。
  論文  参考訳（メタデータ） (2025-06-05T08:39:17Z)
• Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
  我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。 このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。 本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-14T02:58:24Z)
• GRIP: A Graph-Based Reasoning Instruction Producer [47.80560026838563]
  textbfGraphベースのtextbfReasoning textbfInstruction textbfProducer について述べる。
  論文  参考訳（メタデータ） (2024-12-12T01:52:25Z)
• NAS-NeRF: Generative Neural Architecture Search for Neural Radiance Fields [75.28756910744447]
  ニューラルレイディアンス場(NeRF)は、高品質な新規ビュー合成を可能にするが、その高い計算複雑性はデプロイ可能性を制限する。 NAS-NeRFは,コンパクトでシーン特異的なNeRFアーキテクチャを生成する生成型ニューラルアーキテクチャ探索戦略である。 本手法では,各シーンに適したアーキテクチャを探索するために,対象の指標と予算に制約を組み込む。
  論文  参考訳（メタデータ） (2023-09-25T17:04:30Z)
• Shallow-UWnet : Compressed Model for Underwater Image Enhancement [0.0]
  本論文では,パフォーマンスを保ち,最新モデルよりもパラメータが少ない,浅いニューラルネットワークアーキテクチャであるtextbfShallow-UWnetを提案する。 また,合成データセットと実世界のデータセットを組み合わせることで,モデルのベンチマークを行った。
  論文  参考訳（メタデータ） (2021-01-06T14:49:29Z)
• Greenhouse Segmentation on High-Resolution Optical Satellite Imagery using Deep Learning Techniques [0.0]
  本稿では,光衛星アゼルスキー (SPOT-7) が取得した画像の画素ワイズ分類のための音響手法を提案する。 U-Netのようなアーキテクチャのカスタマイズされたバリエーションは、温室を特定するために使用される。 拡張畳み込みとスキップ接続を独自に組み込んだ2つのモデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-22T06:12:57Z)

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。