論文の概要: Dynamic SpectraFormer for Ultra-High-Definition Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2608.18662v1
• Date: Wed, 19 Aug 2026 08:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.338858
• Title: Dynamic SpectraFormer for Ultra-High-Definition Underwater Image Enhancement
• Title（参考訳）: 超高精細水中画像強調のための動的スペクトル変換器
• Abstract要約: 水中画像は、光の屈折や水中の吸収による色歪み、迷路、視界の低下に悩まされている。 従来の手法は、主に空間領域に集中するため、これらの混合歪みを同時に修正するのに苦労する。 本稿では,周波数領域変換器による水中画像の強調を行うDynamic SpectraFormerを紹介する。
• 参考スコア（独自算出の注目度）: 15.005563513131406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater images suffer from color distortion, haze, and poor visibility due to light refraction and absorption in water. These challenges significantly impact the utilization of Autonomous Underwater Vehicles (AUVs) or marine robots. Typically, color and brightness distortions manifest at lower frequencies, while edge and texture distortions are prevalent at higher frequencies. Traditional methods struggle to concurrently rectify these mixed distortions as they primarily concentrate on the spatial domain. To address these issues, we introduce the Dynamic SpectraFormer, which enhances underwater images through a frequency domain transformer. The Dynamic SpectraFormer introduces an ultra-high-resolution sparse spectrum attention module, which could capture the long-term dependency without losing the universal approximating power. Additionally, we have developed a dynamic spectrum weight generation layer that serves as an adaptive spectrum band selector, accentuating critical frequency bands and suppressing less relevant ones. Consequently, this method significantly improves underwater image quality by addressing both high- and low-frequency distortions. Our extensive ablation studies and comparative evaluations consolidate the Dynamic SpectraFormer's efficacy across multiple underwater image enhancement benchmarks. The source code is available at https://github.com/arifence2024/DynamicSpectraFormer.git.
• Abstract（参考訳）: 水中画像は、光の屈折や水中の吸収による色歪み、迷路、視界の低下に悩まされている。 これらの課題は、自律型水中車両(AUV)や海洋ロボットの利用に大きな影響を及ぼす。 通常、色と明るさの歪みは低い周波数で現れるが、エッジとテクスチャの歪みは高い周波数で顕著である。 従来の手法は、主に空間領域に集中するため、これらの混合歪みを同時に修正するのに苦労する。 これらの問題に対処するために、周波数領域変換器による水中画像の強化を行うDynamic SpectraFormerを導入する。 Dynamic SpectraFormerは、超高解像度のスパーススペクトルアテンションモジュールを導入し、普遍的な近似能力を失うことなく長期的な依存を捉えることができる。 さらに、適応スペクトル帯域セレクタとして機能し、臨界周波数帯域をアクセントし、関連性の高い周波数帯域を抑える動的スペクトル量生成層を開発した。 これにより、高周波数歪みと低周波数歪みの両方に対処することにより、水中画像の画質を著しく向上する。 広範囲にわたるアブレーション研究と比較評価により、複数の水中画像強調ベンチマークでDynamic SpectraFormerの有効性が強化された。 ソースコードはhttps://github.com/arifence2024/DynamicSpectraFormer.gitで公開されている。

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)
• AQUA-Net: Adaptive Frequency Fusion and Illumination Aware Network for Underwater Image Enhancement [1.000417239033592]
  本稿では、アダプティブ周波数融合とイルミネーションネットワーク(Aqua-Net)と呼ばれる新しい水中画像強調モデルを提案する。 残余エンコーダデコーダと二重補助分岐を統合し、周波数領域と照明領域で動作する。 提案モデルでは,高機能化と一般化を図り,実世界の水中イメージングアプリケーションに有効なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-12-05T18:56:10Z)
• UltraImage: Rethinking Resolution Extrapolation in Image Diffusion Transformers [58.37965214608629]
  コンテンツ繰り返しと品質劣化に対処する,原則化されたフレームワークであるUltraImageを提案する。 実験の結果、UltraImageは3世代のシナリオでQwen-ImageとFlux(約4K)の先行手法を一貫して上回っていることがわかった。 UltraImageは、1328pのトレーニング解像度から6K*6Kまでの画像を、低解像度のガイダンスなしで生成することができる。
  論文  参考訳（メタデータ） (2025-12-04T06:24:04Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• FDCE-Net: Underwater Image Enhancement with Embedding Frequency and Dual Color Encoder [49.79611204954311]
  水中画像は、低明度、色の変化、ぼやけた詳細、吸光光によるノイズ、水や懸濁粒子による散乱などの様々な問題に悩まされることが多い。 従来の水中画像強調法(UIE)は主に空間領域の強調に焦点を当てており、画像固有の周波数領域情報を無視している。
  論文  参考訳（メタデータ） (2024-04-27T15:16:34Z)
• UWFormer: Underwater Image Enhancement via a Semi-Supervised Multi-Scale Transformer [26.15238399758745]
  水中画像は、品質が悪く、色調が歪んだり、コントラストが低かったりすることが多い。 現在のディープラーニング手法は、マルチスケール拡張に欠けるニューラル畳み込みネットワーク(CNN)に依存している。 半教師付き学習によって複数の周波数の画像を拡張するためのマルチスケールトランスフォーマーベースネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:09Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
  WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。 WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。 低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
  論文  参考訳（メタデータ） (2021-07-23T04:44:40Z)
• Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration [9.378355457555319]
  本稿では,色チャネルの移動範囲に基づいて,適切な受容場サイズ(コンテキスト)を付与することで,大幅な性能向上が期待できることを示す。 第2の新規性として、学習したマルチコンテキスト特徴を適応的に洗練するための注意的スキップ機構を組み込んだ。 提案するフレームワークはDeep WaveNetと呼ばれ、従来のピクセル単位で機能ベースのコスト関数を使って最適化されている。
  論文  参考訳（メタデータ） (2021-06-15T06:47:51Z)

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。