Fugu-MT 論文翻訳(概要): VLMs Win a Systematic Evaluation of Underwater Image Reconstruction

論文の概要: VLMs Win a Systematic Evaluation of Underwater Image Reconstruction

arxiv url: http://arxiv.org/abs/2608.11425v1
Date: Tue, 11 Aug 2026 20:46:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.372234
Title: VLMs Win a Systematic Evaluation of Underwater Image Reconstruction
Title（参考訳）: VLMが水中画像再構成のシステム評価に勝利
Abstract要約: 本稿では,水中再構築のためのシステム評価パイプラインについて述べる。精度、カメラ移動による再構成の整合性、および水パラメータの影響を評価するために使用できる。
参考スコア（独自算出の注目度）: 3.6720104834295793
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Underwater image restoration consists of recovering an image which looks like there is no water present. To date, evaluation has not been systematic. This paper describes a systematic evaluation pipeline for underwater reconstruction, which can be used to assess a method for accuracy; consistency of reconstruction over camera moves; and the effect of water parameters. We use this pipeline to evaluate a range of current procedures, from models constructed using explicit but approximate physical models of scattering to Vision-Language Models (VLMs which are not currently trained with explicit physical models). Overall, VLMs wholly and significantly outperform physically based models in our evaluation, likely because of the importance of a strong image prior. Results on images of real underwater scenes strongly confirm the evaluation.
Abstract（参考訳）: 水中画像の復元は、水がないように見えるイメージを復元することで構成される。これまでのところ、評価は体系的ではなかった。本報告では, 水中再構築のためのシステム評価パイプラインについて述べるとともに, 精度, カメラ移動による復元の整合性, 水パラメータの影響について述べる。我々はこのパイプラインを用いて、明示的だが近似的な散乱モデルを用いて構築されたモデルから、現在明示的な物理モデルで訓練されていない視覚言語モデル(VLM)まで、現在の手順の幅を評価する。全体として、VLMは、以前の強い画像の重要性から、我々の評価において、物理的モデルよりも完全に、そして著しく優れています。実際の水中のシーン画像の結果は、その評価を強く裏付けるものである。

関連論文リスト

Robust Image Processing Techniques for Construction Environment Monitoring Using Underwater Robots [3.430139395525602]
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。
論文参考訳（メタデータ） (2026-07-02T09:12:45Z)
WMVLM: Evaluating Diffusion Model Image Watermarking via Vision-Language Models [79.32764976020435]
拡散モデルから生成された画像を保護するためには,デジタル透かしが不可欠である。従来の透かし評価手法では,残余と意味の両方の透かしの統一的な枠組みが欠如していた。我々は,視覚言語モデルを用いた拡散モデル画像透かしのための最初の統一的・解釈可能な評価フレームワークLMを提案する。
論文参考訳（メタデータ） (2026-01-29T12:14:32Z)
UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文参考訳（メタデータ） (2024-10-10T16:33:56Z)
FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
論文参考訳（メタデータ） (2024-09-25T03:54:01Z)
UMono: Physical Model Informed Hybrid CNN-Transformer Framework for Underwater Monocular Depth Estimation [5.596432047035205]
水中の単分子深度推定は、水中のシーンの3次元再構成などの作業の基礎となる。既存の手法では、水中環境の特徴を考慮できない。本稿では,UMonoと呼ばれる水中単分子深度推定のためのエンドツーエンド学習フレームワークについて述べる。
論文参考訳（メタデータ） (2024-07-25T07:52:11Z)
A Physical Model-Guided Framework for Underwater Image Enhancement and Depth Estimation [20.349103580702028]
既存の水中画像強調手法では、深度や対光といった画像モデルパラメータを正確に推定することができない。先進的なUIEモデルとDeep Degradation Modelを併用したモデル誘導フレームワークを提案する。本フレームワークは水中の多様なシーンにまたがって顕著な拡張効果をもたらす。
論文参考訳（メタデータ） (2024-07-05T03:10:13Z)
An Efficient Detection and Control System for Underwater Docking using Machine Learning and Realistic Simulation: A Comprehensive Approach [5.039813366558306]
この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。 GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
論文参考訳（メタデータ） (2023-11-02T18:10:20Z)
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)
A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。深層学習に基づく大気乱流緩和法が文献で提案されている。様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文参考訳（メタデータ） (2022-04-19T16:21:36Z)
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)
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。