論文の概要: Underwater Color Restoration with Vanishing Uncertainty

• arxiv url: http://arxiv.org/abs/2608.15598v1
• Date: Sun, 16 Aug 2026 07:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.359119
• Title: Underwater Color Restoration with Vanishing Uncertainty
• Title（参考訳）: 不確かさを解消した水中色復元
• Abstract要約: 水中色復元の現在の手法は、主に経験的基礎に基づいて検証されている。 これは、完全な数学的一般性を考慮すると、色復元が致命的な問題となることで悪化する。 理論上の制約と実世界のデータで満たされる制約とのギャップは、よく理解されていない。 本稿では,カメラの空間分解能が増大するにつれて0に収束する境界不確実性を保証する理想的な条件を同定し,このギャップの理論的側面について検討する。
• 参考スコア（独自算出の注目度）: 1.9234504183934982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater color restoration promises to unlock color as a reliable signal for aquatic sciences, but achieving this with scientific confidence remains out of reach. Current methods are validated almost exclusively on an empirical basis, which provides confidence only to the extent that the vast diversity of possible visibility conditions is covered with end-to-end testing using a known ground truth. This is exacerbated by color restoration being a fatally ill-posed problem when considered in full mathematical generality, requiring additional constraints to narrow the solution to a finite uncertainty interval. The gap between which constraints suffice in theory and which constraints are satisfied by real-world data is poorly understood, making it unclear whether existing methods are solving a problem that is actually solvable. In this article, we investigate the theoretical side of this gap, identifying idealized conditions which guarantee bounded uncertainty that converges to zero as the spatial resolution of the camera increases.
• Abstract（参考訳）: 水中の色復元は、水生科学の信頼できる信号として色を解き放つことを約束するが、科学的な自信を持ってこれを成し遂げるには至っていない。 現状の手法はほとんどが経験的ベースで検証されており、可視性のある条件の膨大な多様性が、既知の基底真理を用いたエンドツーエンドのテストによってカバーされている程度にしか自信が持たない。 これは、完全な数学的一般性を考えると、色復元が致命的な不適切な問題であり、解を有限不確実区間に絞り込むために追加の制約を必要とするため、さらに悪化する。 理論上の制約と実世界のデータで満たされる制約とのギャップはよく理解されておらず、既存の方法が実際に解決可能な問題を解決しているかどうかは不明である。 本稿では,カメラの空間分解能が増大するにつれて0に収束する境界不確実性を保証する理想的な条件を同定し,このギャップの理論的側面について検討する。

関連論文リスト

• Towards Characterizing Scientific Image Utility and Upgradability [71.77263034120624]
  本稿では,科学的画像評価のための枠組みを提案する。 我々は, 科学的画像の劣化を, 詳細歪み, 不完全性, 偽コンテンツ, エンティティ・コンフュージョンの4つの基本タイプに分類した。 フレームワークは、2段階評価プロトコルを実装しており、textitUtilityステージはエラー検出能力と修正命令生成を評価し、textitUpgradabilityステージは、既存の正確な情報を妥協することなく、修正が科学的妥当性を忠実に回復するかどうかを評価する。
  論文  参考訳（メタデータ） (2026-06-02T09:42:29Z)
• The conditional-mean barrier: From deterministic regression to conditional distribution learning [6.160113667162026]
  このチュートリアルでは、条件-平均障壁を中心とした自己完結モジュールを開発する。 平方損失予測器に潜在ランダム性を加えると、条件平均に戻る。 我々は,否定的対数類似度,モーメントとオブザーバブルマッチング,変分目的,逆数分岐,スコアマッチングなどの共通分布目的を短時間に整理する。
  論文  参考訳（メタデータ） (2026-05-27T07:31:42Z)
• A Provably Convergent and Practical Algorithm for Gromov--Wasserstein Optimal Transport [6.6892406473287105]
  本稿では,Gromov-Wasserstein 最適輸送 (GWOT) が領域内構造を整合させて空間を測ることを示した。 実装可能な条件下では、定常点への後続収束を証明し、寛容デカイ条件により収束は維持され、散在性は退化する。
  論文  参考訳（メタデータ） (2026-05-05T18:12:39Z)
• Improving Semantic Uncertainty Quantification in Language Model Question-Answering via Token-Level Temperature Scaling [55.29156356409814]
  現状のアプローチ,特に温度の固定化は,系統的に誤校正され,識別性に欠けるセマンティックな信頼性分布を生じさせることを示す。 一つの温度を最適化することは、適切な帰納バイアスをもたらすと我々は主張するが、驚くほど単純だが効果的な解であることを示した。
  論文  参考訳（メタデータ） (2026-04-08T15:00:32Z)
• Illusions of Confidence? Diagnosing LLM Truthfulness via Neighborhood Consistency [78.91846841708586]
  完全な自己整合性で答えられた事実でさえ、軽微な文脈干渉の下で急速に崩壊することを示します。 本研究では,概念的近傍における応答コヒーレンスを評価する信念の構造尺度であるNighbor-Consistency Belief(NCB)を提案する。 また、文脈不変の信念構造を最適化し、長い知識の脆さを約30%低減する構造意識訓練(SAT)を提案する。
  論文  参考訳（メタデータ） (2026-01-09T16:23:21Z)
• AquaDiff: Diffusion-Based Underwater Image Enhancement for Addressing Color Distortion [0.3437656066916039]
  アクアディフ(AquaDiff)は、色歪みを補正し、構造的および知覚的忠実性を保つために設計された拡散に基づく水中画像強調フレームワークである。 新たなクロスドメイン整合性損失は、ピクセルレベルの精度、知覚的類似性、構造的整合性、周波数領域の忠実性を共同で強化する。 複数の挑戦的な水中ベンチマークの実験は、AquaDiffが最先端の伝統、CNN-、GAN-、拡散に基づく手法と比較して良い結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-12-15T18:05:37Z)
• Principal Uncertainty Quantification with Spatial Correlation for Image Restoration Problems [35.46703074728443]
  PUQ -- プリンシパル不確実性定量化 -- は、新しい定義であり、不確実性領域の対応する分析である。 経験的後部分布の主成分の周囲の不確実性区間を導出し,あいまいさ領域を形成する。 本手法は, カラー化, 超高分解能, 塗布実験により検証した。
  論文  参考訳（メタデータ） (2023-05-17T11:08:13Z)
• Causal Deep Learning [77.49632479298745]
  因果性は、現実世界の問題を解決する方法を変える可能性がある。 しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。 我々は、因果性に関する新しい考え方を提案します。
  論文  参考訳（メタデータ） (2023-03-03T19:19:18Z)
• Minimax Instrumental Variable Regression and $L_2$ Convergence Guarantees without Identification or Closedness [71.42652863687117]
  インストゥルメンタル変数(IV)回帰の非パラメトリック推定について検討した。 固定IV解に収束できる新しいペナル化ミニマックス推定器を提案する。 ラックス条件下での推定値に対して強い$L$誤差率を導出する。
  論文  参考訳（メタデータ） (2023-02-10T18:08:49Z)
• Semantic uncertainty intervals for disentangled latent spaces [30.254614465166245]
  基本生成モデルに対する真の意味的要素を含むことが保証される原則付き不確実区間を提供する。 この技術は、画像の超解像や画像補完といった逆問題において、意味論的、原則的、インスタンス適応的な不確実性を確実に伝達する。
  論文  参考訳（メタデータ） (2022-07-20T17:58:10Z)
• Constrained Learning with Non-Convex Losses [119.8736858597118]
  学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
  論文  参考訳（メタデータ） (2021-03-08T23:10:33Z)
• The empirical duality gap of constrained statistical learning [115.23598260228587]
  本研究では,制約付き統計学習問題(制約なし版)について,ほぼ全ての現代情報処理のコアとなる研究を行った。 本稿では, 有限次元パラメータ化, サンプル平均, 双対性理論を利用して, 無限次元, 未知分布, 制約を克服する制約付き統計問題に取り組むことを提案する。 フェアラーニングアプリケーションにおいて,この制約付き定式化の有効性と有用性を示す。
  論文  参考訳（メタデータ） (2020-02-12T19:12:29Z)

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。