論文の概要: Physics-Guided Spectral Distillation for Underwater Image Enhancement on Resource-Constrained Devices
- arxiv url: http://arxiv.org/abs/2609.34795v1
- Date: Mon, 28 Sep 2026 10:01:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 02:50:54.534097
- Title: Physics-Guided Spectral Distillation for Underwater Image Enhancement on Resource-Constrained Devices
- Title（参考訳）: 資源制約デバイスにおける水中画像強調のための物理誘導分光蒸留
- Abstract要約: 既存の水中画像強調研究は主に品質向上と視力向上に焦点を当てている。
物理誘導型分光蒸留法 (PSD) を導入し, 実時間応用のためのモデル容量を削減する。
物体検出を含む下流認識タスクにおける強調画像の利点を実証する。
- 参考スコア（独自算出の注目度）: 23.5318290292948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater image enhancement is crucial for improving visual perception in marine applications. Existing underwater image enhancement studies mainly focus on enhancement quality and visual fidelity, while rarely considering real-time deployment capability, which is essential for resource-constrained underwater robots. To this end, we introduce a physics-guided spectral distillation (PSD) method, which reduces model capacity for real-time applications while maintaining the high performance of underwater image enhancement models. To decompose the outputs of teacher and student models, PSD adopts a multilevel Haar discrete wavelet transform. It transfers low-frequency color and illumination information as well as high-frequency structural details through band-specific objectives. Moreover, the distillation process of PSD is degradation-aware. We estimate degradation-aware weights through a physical head and combine them with ground-truth-guided reliability masks to selectively retain valuable teacher guidance. Experiments on the UIEB, LSUI, and EUVP datasets validate the effectiveness of the proposed method. Furthermore, we demonstrate the benefits of enhanced images for downstream perception tasks, including object detection. Deployment on a self-developed ROV further demonstrates its practical applicability in real-world underwater scenarios.
- Abstract（参考訳）: 水中画像の強調は、海洋アプリケーションにおける視覚的知覚の向上に不可欠である。
既存の水中画像強調研究は主に品質向上と視力向上に重点を置いているが、資源に制約された水中ロボットにとって必須のリアルタイム展開能力を考えることは稀である。
そこで本研究では,水中画像強調モデルの性能を維持しつつ,リアルタイムアプリケーションにおけるモデルキャパシティを低減する物理誘導型分光蒸留(PSD)手法を提案する。
教師モデルと学生モデルの出力を分解するために、PSDはマルチレベルHaar離散ウェーブレット変換を採用する。
低周波色と照明情報、および周波数構造の詳細をバンド固有の目的を通じて転送する。
さらに、PSDの蒸留工程は劣化に注意する。
本研究は, 物理ヘッドから劣化認識重量を推定し, 地道誘導型信頼性マスクと組み合わせて, 貴重な指導指導を選択的に維持するものである。
UIEB、LSUI、EUVPデータセットの実験は、提案手法の有効性を検証する。
さらに、物体検出を含む下流認識タスクにおける強調画像の利点を実証する。
自己開発型ROVへの展開は、実際の水中シナリオにおける実用性をさらに証明している。
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) - Advancing Visual Reliability: Color-Accurate Underwater Image Enhancement for Real-Time Underwater Missions [52.04969451806431]
正確な色復元が可能なリアルタイム水中画像強調フレームワークを提案する。
提案手法は、7つの評価指標にまたがって最先端の性能を実現する。
多様な環境条件下でUCIQEのスコアを29.7%改善する。
論文 参考訳（メタデータ） (2026-03-17T10:51:00Z) - Learning Underwater Active Perception in Simulation [51.205673783866146]
タービディティは、検査された構造物の正確な視覚的記録を阻止する可能性があるため、ミッション全体を危険に晒す可能性がある。
従来の研究は、濁度や後方散乱に適応する手法を導入してきた。
本研究では, 広範囲の水環境下での高品質な画像取得を実現するための, 単純かつ効率的なアプローチを提案する。
論文 参考訳（メタデータ） (2025-04-23T06:48:38Z) - HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。
視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
論文 参考訳（メタデータ） (2024-11-27T12:37:03Z) - UIE-UnFold: Deep Unfolding Network with Color Priors and Vision Transformer for Underwater Image Enhancement [27.535028176427623]
水中画像強調(UIE)は様々な海洋用途において重要な役割を担っている。
現在の学習に基づくアプローチは、水中画像形成に関わる物理過程に関する明確な事前知識を欠いていることが多い。
そこで本稿では,UIEのカラープリエントとステージ間特徴付与を統合した新しいディープ・アンフォールディング・ネットワーク(DUN)を提案する。
論文 参考訳（メタデータ） (2024-08-20T08:48:33Z) - 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) - Perceptual underwater image enhancement with deep learning and physical
priors [35.37760003463292]
本稿では,2つの知覚強調モデルを提案する。
トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。
実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-08-21T22:11:34Z) - 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。
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。