論文の概要: PolUR: Polarization Aware Multimodal Degradation Perception for Underwater Image Restoration

• arxiv url: http://arxiv.org/abs/2610.17991v1
• Date: Tue, 13 Oct 2026 08:55:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:50:18.076362
• Title: PolUR: Polarization Aware Multimodal Degradation Perception for Underwater Image Restoration
• Title（参考訳）: PolUR: 水中画像復元のためのマルチモーダル劣化認識を意識した偏光
• Abstract要約: PolURは多モード言語駆動のフレームワークで、分極とRGB情報を統合して、劣化タイプと重大度レベルを特定する。 実世界の劣化を示す水中画像を含むMixPolarという新しいベンチマークを構築した。 実験により、Poururは偏光とRGB情報を効果的に統合し、劣化知覚と画像復元の競争性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 27.190810263874706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering high-quality images from degraded underwater observations is crucial for underwater exploration. Polarization observations show promise as an effective source of complementary physical cues for recovering target radiance under clear-water conditions. However, existing methods have yet to jointly model raw intensity information and polarization cues to enable image restoration driven by an understanding of mixed degradations (color casts, haze, and low light). To overcome these limitations, we propose PolUR, a unified multimodal language-driven framework that jointly uses polarization and RGB information to identify degradation types and severity levels through structured semantic instructions and enhances joint restoration representations under the guidance of degradation-aware semantic features to improve restoration robustness under mixed degradations. We further construct a new benchmark named MixPolar, which contains underwater images exhibiting real-world degradations and their corresponding degradation descriptions. MixPolar supports systematic evaluation of degradation perception, image restoration, and performance on downstream tasks. Extensive experiments demonstrate that PolUR effectively integrates polarization and RGB information, achieving competitive performance in degradation perception and image restoration, while also demonstrating generalization capability and utility for downstream tasks.
• Abstract（参考訳）: 劣化した水中の観測から高品質な画像を復元することは、水中の探査に不可欠である。 偏光観測は、澄んだ水環境下で標的放射率を回復するための補完的な物理的手がかりの有効源であることを示す。 しかし、既存の方法では、混合劣化(カラーキャスト、ヘイズ、低光)の理解による画像復元を可能にするために、原強度情報と偏光キューを共同でモデル化していない。 これらの制約を克服するために,ポリモーダル言語駆動の統一フレームワークである PolUR を提案する。これは分極と RGB 情報を併用して,構造化意味的命令を通じて劣化タイプと重大度レベルを識別し,分解認識セマンティック特徴の指導の下で共同復元表現を強化し,混合劣化下での復元ロバスト性を改善する。 さらに、実際の劣化を示す水中画像とそれに対応する劣化記述を含むMixPolarという新しいベンチマークを構築した。 MixPolarは、下流タスクにおける劣化知覚、画像復元、パフォーマンスの体系的評価をサポートする。 広汎な実験により、Poururは分極とRGB情報を効果的に統合し、劣化知覚と画像復元の競争性能を達成し、下流タスクの一般化能力と有用性を実証した。

関連論文リスト

• TIDE: Two-Stage Inverse Degradation Estimation with Guided Prior Disentanglement for Underwater Image Restoration [2.5840709738256127]
  TIDEは$underlinet$woのステージで、分解特性を明示的にモデル化し、特別な事前分解を通じてターゲットの復元を適用する。 本手法は, 局所劣化パターンに基づいて, 適応的に融合した複数の特殊仮説に復元過程を分解する。 特殊な復元仮説を生成することにより、TIDEは競合する劣化因子をバランスさせ、高度に劣化した領域でも自然の結果を産出する。
  論文  参考訳（メタデータ） (2025-12-08T05:06:29Z)
• A Generative Data Framework with Authentic Supervision for Underwater Image Restoration and Enhancement [51.382274157144714]
  我々は、未ペア画像から画像への変換に基づく生成データフレームワークを開発する。 このフレームワークは、正確な地上構造ラベルを持つ合成データセットを構成する。 実験により、我々の合成データに基づいてトレーニングされたモデルが、既存のベンチマークでトレーニングされたモデルに匹敵する、あるいは優れた色復元と一般化性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-11-18T14:20:17Z)
• DACA-Net: A Degradation-Aware Conditional Diffusion Network for Underwater Image Enhancement [16.719513778795367]
  水中画像は通常、散乱や吸収といった複雑な光学効果により、激しい色歪み、視界の低さ、構造的明瞭さの低下に悩まされる。 既存の拡張手法は、様々な劣化条件を適応的に扱うのに苦労し、水中固有の物理的前提を効果的に活用できないことが多い。 本研究では,水中画像の適応的・堅牢性を高めるための劣化認識条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-30T09:16:07Z)
• UniRes: Universal Image Restoration for Complex Degradations [53.74404005987783]
  実世界のイメージ復元は、様々なキャプチャ条件、キャプチャデバイス、後処理パイプラインから生じるさまざまな劣化によって妨げられている。 UniResという名前の、シンプルで柔軟な拡散ベースのフレームワークは、このような劣化をエンドツーエンドで解決するために提案されている。 提案手法は, 複合劣化画像復元データセットと単分解画像復元データセットの両方を用いて評価する。
  論文  参考訳（メタデータ） (2025-06-05T21:25:39Z)
• Underwater Diffusion Attention Network with Contrastive Language-Image Joint Learning for Underwater Image Enhancement [0.8747606955991707]
  UDAN-CLIPは、合成水中データセットで事前トレーニングされた画像間拡散フレームワークである。 視覚言語モデルに基づくカスタマイズされた分類器、空間的注意モジュール、新しいCLIP拡散損失で拡張される。 提案したコントリビューションにより、UDAN-CLIPモデルにより、より効果的な水中画像強調を行うことができる。
  論文  参考訳（メタデータ） (2025-05-26T12:24:56Z)
• UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [62.65503609562905]
  我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。 劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。 このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
  論文  参考訳（メタデータ） (2025-01-22T16:10:42Z)
• Phaseformer: Phase-based Attention Mechanism for Underwater Image Restoration and Beyond [25.975859029063585]
  水中画像復元(UIR)のための1.77Mパラメータを持つ軽量位相変換器ネットワークを提案する。 本手法は,位相に基づく自己認識機構を用いて,非汚染特徴を効果的に抽出することに焦点を当てる。 LOLデータセットを用いた低照度画像強調の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-02T12:48:19Z)
• Joint Conditional Diffusion Model for Image Restoration with Mixed Degradations [29.14467633167042]
  悪天候下における画像復元のための新しい手法を提案する。 大気散乱モデルに基づく混合劣化モデルを用いて, 復元過程全体を導出する。 マルチウェザーおよび気象特化データセットの実験は、最先端の競合手法よりも、我々の手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-11T14:07:16Z)
• Relationship Quantification of Image Degradations [72.98190570967937]
  劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。 DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。 得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:05:19Z)
• 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)

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。