論文の概要: Computational imaging through turbid, bubbly and flowing water near the telescope
- arxiv url: http://arxiv.org/abs/2610.32646v1
- Date: Fri, 23 Oct 2026 13:54:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.536391
- Title: Computational imaging through turbid, bubbly and flowing water near the telescope
- Title（参考訳）: 望遠鏡近傍の濁水・気泡水・流れ水による計算イメージング
- Abstract要約: 平均8フレームの復元により、1フレームで0.032倍の構造類似性(SSIM)が向上する。
1つの生フレームは5カテゴリの認識(96.8%)と復元された画像をサポートする。
これらのネットワークはまた、測定ペアのみのトレーニングが失敗するリトレーニングなしで通常の水中写真を改善する。
- 参考スコア（独自算出の注目度）: 33.95236153550384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cameras in the surf zone or behind ship wakes look through turbid, bubbly, moving water close to the lens, yet restoration networks are usually scored only on displayed images. We introduce a measured dataset of a telescope viewing displayed images and physical objects through a 25~mm water layer 45~mm in front of its objective, under seven combinations of flow, bubbles and turbidity, with clear-water recordings as a second reference. Because the suspension scatters light far outside the 1.3\textdegree{} field of view, turbidity mainly removes contrast, 4.4- to 4.8-fold on a Siemens star. Restoring the mean of eight frames improves structural similarity (SSIM) by 0.032 over a single frame, and learned fusion of the frames adds little. One raw frame supports five-category recognition (96.8\%) as well as restored images. Adding synthetic training pairs leaves display-image scores unchanged but raises the correlation of a restored Siemens star with its clear-water recording from below 0.5 to above 0.9. These networks also improve ordinary underwater photographs without retraining, where training on measured pairs alone fails. Scoring against the digital source or a clear-water recording reverses the ranking of raw and restored images. These results support a simple pipeline: average the frames, classify raw frames directly, and restore with networks trained on measured and synthetic pairs.
- Abstract（参考訳）: サーフゾーンや船の後ろのカメラは、濁った、泡立つ、レンズの近くに動く水を通して見るが、回復ネットワークは通常、表示された画像にのみスコアが付けられている。
観測された画像と物体を目標の25～mmの水層45〜mmで観測する望遠鏡のデータセットを,流速,気泡,濁度を7つの組み合わせで測定し,第2の基準としてクリアウォーター記録を行った。
サスペンションは1.3\textdegree{} の視野の外側で光を散乱するため、濁度は主にシーメンス星の4.4倍から4.8倍のコントラストを除去する。
8つのフレームの平均を復元すると、1つのフレーム上で0.032に構造的類似性(SSIM)が向上し、学習されたフレームの融合はほとんど増加しない。
1つの生フレームは5カテゴリの認識(96.8\%)と復元された画像をサポートする。
合成トレーニングペアを追加すると、表示画像のスコアは変わらないが、復元されたシーメンスの恒星と澄水記録との相関は0.5以下から0.9以上になる。
これらのネットワークはまた、測定ペアのみのトレーニングが失敗するリトレーニングなしで通常の水中写真を改善する。
デジタルソースやクリアウォーター記録と照合すると、生画像と復元画像のランクが逆になる。
これらの結果は単純なパイプラインをサポートし、フレームを平均化し、生フレームを直接分類し、測定と合成のペアでトレーニングされたネットワークで復元する。
関連論文リスト
- Seeing Through the Glare: A Multi-Source Benchmark and Ocular-Adaptive Pixel MeanFlow for Eyeglass Reflection Removal [63.617920777106775]
textbfOcuFlowは、効率よく詳細を保存するための、眼順応のピクセルMeanFlowフレームワークである。
幾何適応表現と一段階のpMFを組み合わせることで、反射吸収眼領域の再構成に焦点を合わせる。
反射除去品質、眼の忠実度、効率において一貫した優位性を実現する。
論文 参考訳（メタデータ） (2026-10-07T18:00:07Z) - SplashSplat: Reconstructing Splashing Liquids from Real-World Multi-View Videos [105.03092787882979]
我々は、60fpsで7つの同期4Kカメラで撮影され、ビューごとの液体とコンテナマスクを手動で調整し、一定の評価分割を施した20の実際のシーンのベンチマークを紹介した。
次に、ひとつの原則に基づいて構築されたSplashSplatを紹介します。
SplashSplatは、実際のキャプチャーと合成ベンチマークで最先端の動的ガウススプラッティング法より優れており、身体的により可塑性な動きと低コストである。
論文 参考訳（メタデータ） (2026-09-17T17:59:41Z) - Self-Calibrating Dense Displacement Fields for Reliable Co-Registration of Large Optical Satellite Imagery [4.730120849611304]
共同登録は、光学衛星画像の時間・マルチセンサー利用のほぼすべての基盤となる。
SCDF, トレーニング不要なGPUフリーな推定器で, 動きモデル自体が画素あたりの高密度変位場である。
実際のSentinel Landsat-8/9とNAIP画像から構築された584基の地上トラスペアでは、SCDFは故障のない全てのペアを登録する。
論文 参考訳（メタデータ） (2026-08-23T08:50:59Z) - Leak-Free Cross-Validated Stacking with Per-Architecture Calibration for Sand-Boil Segmentation in Earthen Levees [0.0]
砂の沸騰は、土の堤防の下にある水が地表に再沈み込む地点であり、初期の内部浸食の警告である。
ディープセグメンテーションネットワークは、検査写真でそれらを見つけるためにますます利用されている。
その不足に対処する2つの一般的な方法は、正確さを秘かに報告している。
両抜け穴を塞ぐ砂岩層セグメンテーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-28T07:21:02Z) - REVIVE: A Multi-Modal Framework for Vandalism Detection and Recovery in Autonomous Vehicles [0.6445605125467572]
本稿では,視覚能力向上のためのVandalized Image for Vision Excellence(REVIVE)フレームワークの回復と拡張について述べる。
これは、バイナリVOA検出、(2)マルチクラスVOAパターン識別、(3)効率の良いNetベースのU-Netセグメンテーション、(4)タイプ認識リカバリを統合している。
500個の追跡されたクリーン/バンダライズされた画像対において、未発見のVOAsはYOLOv8lのオブジェクト検出リコールを0.588に削減し、直接のピクセル置換は0.967とF1スコアを0.970にリコールした。
論文 参考訳（メタデータ） (2026-07-06T21:25:41Z) - From Fog Chamber to Aircraft Window: Pixel-Registered Imaging and Synthetic Fine-Tuning Enable Cross-Domain Defogging [32.72182829728677]
コントロールされた実験室の霧に事前訓練された深部消火パイプラインと、クリーンな屋外シーンに適用されたドメインランダム化合成霧を微調整した微調整は、ターゲットドメイントレーニングを伴わずに、配布外設定の段階的に一般化する。
これは、現実世界の双眼の偽造のために報告されたオープン転送制限に直接対処する。
論文 参考訳（メタデータ） (2026-06-27T21:21:29Z) - Ocean4D: Generative Underwater 4D Reconstruction via Medium-Aware Video Diffusion [53.39217286144327]
そこで我々は,Ocean4Dという水中4D再構成のための生成フレームワークを提案する。
4D-GCCは、クロスフレームカバレッジを改善した4Dの幾何的整合条件を構築する。
中知ブロックは、潜水拡散過程において暗黙の中知デノイングを行い、水中の外観を安定させる。
論文 参考訳（メタデータ） (2026-06-22T13:10:26Z) - A framework for river connectivity classification using temporal image processing and attention based neural networks [0.0]
気候変動に伴う極度の気象現象は、河川や河川の接続に変化をもたらす可能性がある。
伝統的な河川流量計は展開に費用がかかり、大きな川体に限られている。
トレイルカメラ方式は低コストで容易に展開でき、時間単位のデータを集める代替手段である。
論文 参考訳（メタデータ） (2025-02-01T16:00:28Z) - Streamlined Lensed Quasar Identification in Multiband Images via
Ensemble Networks [34.82692226532414]
強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。
我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。
我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
論文 参考訳（メタデータ） (2023-07-03T15:09:10Z) - 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。