論文の概要: Multi-level Constrained Learning for Underwater Image Enhancement
- arxiv url: http://arxiv.org/abs/2610.39183v1
- Date: Thu, 29 Oct 2026 02:10:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 07:36:29.661473
- Title: Multi-level Constrained Learning for Underwater Image Enhancement
- Title（参考訳）: 水中画像強調のためのマルチレベル制約学習
- Abstract要約: MCL-UIEは、波長依存性の減衰、散乱、ノイズによって劣化した色を補正し、ディテールを回復する、ペア化された教師付きフレームワークである。
トレーニング中、RADR(Reference-Anchored Degradation Replay)は、拡張画像とそのペア化された参照を、共有潜在劣化プロキシを使用してレンダリングする。
RADRはトレーニング時にのみ使用され、推論時間計算を追加しない。
- 参考スコア（独自算出の注目度）: 8.825159720294847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater image enhancement aims to correct color and recover detail degraded by wavelength-dependent attenuation, scattering, and noise. Paired-reference supervision constrains output similarity, but does not by itself specify the color mapping, the strength of local detail corrections, or consistency with the degraded observation. We propose MCL-UIE, a paired-supervised framework that addresses these requirements by constraining restoration operations and the training objective. Monotonic Chromatic Transform (MCT) restricts global color mapping in log-LMS space through positive diagonal entries and bounded cross-channel coefficients. Uncertainty-Gated Wavelet Reconstruction (UGWR) modulates high-frequency residuals with a learned confidence gate calibrated against normalized wavelet reconstruction errors. During training, Reference-Anchored Degradation Replay (RADR) renders the enhanced image and its paired reference using shared latent degradation proxies, encouraging both to reproduce the input. The three components share a restoration network that combines structured color correction, locally controlled detail recovery, and reference-anchored replay. MCL-UIE ranks first in thirteen of sixteen full-reference dataset-metric comparisons and produces competitive visual results on no-reference benchmarks. Objective ablations indicate that confidence calibration is most effective when combined with replay supervision. RADR is used only during training and adds no inference-time computation. Our code is available at https://github.com/Wangtao-Bao/MCL-UIE.
- Abstract（参考訳）: 水中画像の強調は、波長依存性の減衰、散乱、ノイズによって劣化した色を補正し、詳細を回復することを目的としている。
ペアリング参照監督は出力の類似性を制約するが、色マッピング、局所的な詳細補正の強さ、劣化した観察との整合性をそれ自体は規定しない。
MCL-UIE(MCL-UIE)を提案する。
モノトニック・クロマティック・トランスフォーメーション(MCT)は対数LMS空間における正の対角成分と有界チャネル係数による大域的な色マッピングを制限している。
不確実性ゲートウェーブレット再構成(UGWR)は、正規化ウェーブレット再構成誤差に対して校正された学習信頼ゲートで高周波残差を変調する。
トレーニング中、RADR(Reference-Anchored Degradation Replay)は、強化された画像とそのペア化された参照を共有潜在劣化プロキシを使用してレンダリングし、両者が入力を再現することを奨励する。
3つのコンポーネントは、構造化色補正、局所的に制御されたディテールリカバリ、参照アンコールリプレイを組み合わせた復元ネットワークを共有している。
MCL-UIEは16のフル参照データセットメトリック比較のうち13にランクインし、ノン参照ベンチマークで競合する視覚結果を生成する。
客観的アブレーションは、リプレイ監督と組み合わせることで、信頼度校正が最も効果的であることを示している。
RADRはトレーニング時にのみ使用され、推論時間計算を追加しない。
私たちのコードはhttps://github.com/Wangtao-Bao/MCL-UIEで公開されています。
関連論文リスト
- Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。
REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
論文 参考訳（メタデータ） (2026-10-04T16:54:37Z) - Adversarial Training for Pixel Diffusion [56.81974037444868]
画素拡散モデルは、オートエンコーダのボトルネックを避けるためにRGB画像を直接生成する。
対人学習は、この欠損症に対して効果的な訓練後修正を提供することを示す。
論文 参考訳（メタデータ） (2026-09-29T17:59:41Z) - BC-IHV: Conditioning the Color Space for Stable Rectified-Flow Low-Light Enhancement [51.79298431282401]
低照度画像強調は、入力ですでに支持されている上書き構造を使わずに、あいまいな露出を補正する必要がある。
本研究では, 異なる色度/強度の幹を通した対応を保ちながら, SA-RF(Structure-Anchored Rectified Flow)を提案する。
また,学習可能なBox-Cox極色空間であるBC-IHVを導入する。
論文 参考訳（メタデータ） (2026-08-22T08:43:00Z) - Retrieval-Augmented Generation-Based Color Restoration for Low-Light Image Enhancement [0.0]
我々は、カラー復元を独立したサブプロブレムとして再キャストし、検索強化世代(RAG)上に構築された汎用後処理モジュールとして認識した。
i) 中間VGG19特徴に基づいて構築されたデュアルインデックスFAISSレトリバー、(ii) グローバル平均および分散統計によるテクスチャ的および構造的類似性を捉え、(ii) グローバルSPHistAdaINは、グローバルカラーベクトルへの参照空間保存色ヒストグラムを減少させ、適応インスタンス正規化によりネットワーク特徴を変調し、(iii) フロントエンド出力に対する色補正を予測する残留定式化である。
論文 参考訳（メタデータ） (2026-08-08T16:12:12Z) - RPL-UIE: Reliable Prior Learning for Underwater Image Enhancement [26.456497000099148]
水中画像強調のための信頼性の高い事前学習のためのフレームワークであるRPL-UIEを提案する。
教師段階において、ネットワークは、対の劣化画像と参照画像から外観と光度特性を特徴付ける信頼性と相補的な空間的優先順位を学習する。
学生の段階では、ネットワークは劣化した画像のみを入力として取り、教師の事前抽出能力をエミュレートすることを学ぶ。
論文 参考訳（メタデータ） (2026-07-31T14:30:36Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - 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) - TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning [8.156452885913108]
フェデレートラーニング(FL)は、データの局所性を維持しながら協調的なモデルトレーニングを促進する。
勾配の交換により、システムはグラディエント・インバージョン・アタック(GIAs)に弱い。
本稿では、モデル解釈可能性と周波数領域解析を統合する新しい防御フレームワークTIPを提案する。
論文 参考訳（メタデータ） (2026-02-12T06:32:49Z) - 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) - ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping [25.816984064145906]
非対称サンプリング補正ネットワーク(ASCNet)と呼ばれる新しい赤外画像デストリップ手法を提案する。
我々のASCNetは、Residual Haar Discrete Wavelet Transform (RHDWT), Pixel Shuffle (PS), Column Non-uniformity Correction Module (CNCM)の3つのコア要素で構成されています。
論文 参考訳（メタデータ） (2024-01-28T06:23:55Z)
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。