論文の概要: Raw Imagery Impacting Your AI: Should You Care?

• arxiv url: http://arxiv.org/abs/2609.38265v1
• Date: Tue, 29 Sep 2026 13:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.447237
• Title: Raw Imagery Impacting Your AI: Should You Care?
• Title（参考訳）: 生画像がAIに影響を及ぼす: 気をつけるべきか?
• Abstract要約: 本研究では,Nyquistにおける信号対雑音比(SNR),MTF(Modulation Transfer Function),GSD( Ground Distance Smpling)による物体検出における画像劣化の影響について検討する。 その結果, 画像品質の影響は劣化機構に依存し, 劣化量の増加は必ずしも容器検出性能の比例的に低下するとは限らないことがわかった。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Onboard AI is gaining interest for space applications such as vessel, wildfire, and cloud detection, where real-time processing can improve mission reactivity and reduce downlink needs. However, onboard models may operate on raw or minimally processed imagery rather than on restored ground products. This study evaluates how image degradation affects object detection by varying Signal-to-Noise Ratio (SNR), Modulation Transfer Function (MTF) at Nyquist, and Ground Sampling Distance (GSD). Controlled degradations are applied to Very High Resolution Maxar imagery, and three lightweight detectors, YOLOv5s, YOLOX-S, and NanoDet, are evaluated on the resulting operating points. The results show that the impact of image quality depends on the degradation mechanism, and that increasing degradation does not necessarily lead to a proportional decrease in vessel detection performance. GSD produces the most consistent performance shift, while MTF and SNR effects depend more on the model and resolution. Severe combinations of blur and noise produce the largest losses. These results provide task-level information that can support sensor, processing, and AI trade-offs for future onboard systems.
• Abstract（参考訳）: オンボードAIは、船体、山火事、クラウド検出などの宇宙アプリケーションへの関心が高まっており、リアルタイム処理はミッションの反応性を改善し、ダウンリンクのニーズを減らすことができる。 しかし、搭載されたモデルは、復元された地上製品ではなく、生または最小限の画像で操作することができる。 本研究では,Nyquistにおける信号対雑音比(SNR),MTF(Modulation Transfer Function),GSD( Ground Smpling Distance)による物体検出における画像劣化の影響について検討した。 超高分解能マクサー画像に適用し, YOLOv5s, YOLOX-S, NanoDetの3つの軽量検出器を動作点上で評価した。 その結果, 画像品質の影響は劣化機構に依存し, 劣化量の増加は必ずしも容器検出性能の比例的に低下するとは限らないことがわかった。 GSDは最も一貫した性能変化をもたらすが、MTFとSNRの効果はモデルと解像度に依存する。 ブラーとノイズの激しい組み合わせは最大の損失をもたらす。 これらの結果は、将来のオンボードシステムのセンサ、処理、AIトレードオフをサポートするタスクレベル情報を提供する。

関連論文リスト

• Simultaneous Image Quality Improvement and Artefacts Correction in Accelerated MRI [0.013270088653356417]
  ノイズや動きのアーチファクトを同時に補正したアンダーサンプルデータから高品質な画像を復元する手法を提案する。 その結果,画像の信号対雑音比とコントラストの顕著な増加が認められた。
  論文  参考訳（メタデータ） (2025-11-28T15:25:24Z)
• PhyDAE: Physics-Guided Degradation-Adaptive Experts for All-in-One Remote Sensing Image Restoration [8.834663340762562]
  複雑で不均一な劣化は、画像の品質と下流の解釈タスクに深刻な課題を引き起こす。 本稿では物理誘導型劣化適応エキスパート(PhyDAE)を提案する。 暗黙的な特徴から明示的な決定信号に分解情報を変換する2段階のカスケードアーキテクチャを用いる。 PhyDAEは、パラメータ数と計算複雑性を大幅に削減しながら、復元品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-09T08:14:24Z)
• Perceptual-Distortion Balanced Image Super-Resolution is a Multi-Objective Optimization Problem [23.833099288826045]
  画素ベースの回帰損失を用いた単一画像超解法(SISR)モデルのトレーニングは、高い歪みメトリクススコアを得ることができる。 しかし、高周波の詳細の回復が不十分なため、しばしばぼやけた画像が生じる。 本稿では,Multi-Objective Optimization(MOO)をSISRモデルのトレーニングプロセスに組み込んで,知覚品質と歪みのバランスをとる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:04Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• 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)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
  劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。 NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。 CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-17T17:56:22Z)

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。