論文の概要: KAUSTics-Net: Diffusion-Based Through-Water UAV Restoration with a Semi-Synthetic Dataset

• arxiv url: http://arxiv.org/abs/2611.03120v1
• Date: Mon, 02 Nov 2026 13:36:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:14:16.826325
• Title: KAUSTics-Net: Diffusion-Based Through-Water UAV Restoration with a Semi-Synthetic Dataset
• Title（参考訳）: KAUSTics-Net:半合成データセットを用いた拡散型UAV再生
• Abstract要約: KAUSTicsは32の高解像度UAV画像からの1,280の参照パッチを組み合わせた半合成データセットである。 KaUSTics-Netは、条件付きエンコーダ、FiLM(Feature-wise linear modulation)、クロスアテンション、再構成目的を統合したピクセル空間の条件拡散フレームワークである。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate mapping of shallow-water environments using unmanned aerial vehicle (UAV) imagery is challenged by water-induced distortions, including refraction, caustics, and wavelength-dependent attenuation. The scarcity of paired distorted and reference imagery further limits the development of supervised restoration methods. To address this challenge, we introduce KAUSTics, a semi-synthetic dataset combining 1,280 reference patches derived from 32 high-resolution UAV images with 12,800 degraded observations generated through Blender-based water-surface rendering and empirical color and blur augmentations. We further propose KAUSTics-Net, a pixel-space conditional diffusion framework integrating a multi-scale conditional encoder, feature-wise linear modulation (FiLM), cross-attention, and a composite reconstruction objective to restore shallow-water imagery. We evaluated the framework against eight image-restoration methods, complemented by architectural ablations and cross-dataset experiments. On KAUSTics, KAUSTics-Net achieved a mean peak signal-to-noise ratio (PSNR) of 31.715 +/- 0.439 dB, structural similarity index (SSIM) of 0.849 +/- 0.002, and learned perceptual image patch similarity (LPIPS) of 0.145 +/- 0.007 across three training seeds. On the independent Sea-Undistort dataset, sampler-aware fine-tuning improved restoration fidelity, reaching 19.469 +/- 0.332 dB PSNR and 0.554 +/- 0.005 SSIM under combined water-surface distortions, although perceptual trade-offs remained. Additional experiments on real UAV imagery examined feature preservation and segmentation behavior. These findings demonstrate the potential of semi-synthetic training and conditional diffusion for shallow-water image restoration while highlighting the importance of evaluating both reconstruction fidelity and downstream remote-sensing utility.
• Abstract（参考訳）: 無人航空機(UAV)画像を用いた浅海環境の正確なマッピングは、屈折、因果性、波長依存性の減衰を含む水による歪みによって挑戦される。 対の歪みと参照画像の不足により、監視された復元方法の開発はさらに制限された。 この課題に対処するために,32個の高解像度UAV画像から1,280個の参照パッチを合成した半合成データセットであるKAUSTicsを紹介した。 さらに,マルチスケールな条件付きエンコーダ,FiLM(Feature-wise linear modulation),クロスアテンション(cross-attention),および浅水画像の復元を目的とした複合再構成を目的とした画素空間条件拡散フレームワークであるKAUSTics-Netを提案する。 提案手法は,アーキテクチャ上の改善とデータセット間の実験を補完する8つの画像復元手法に対して評価した。 KAUSTics-Netでは、平均ピーク信号-ノイズ比(PSNR)が31.715 +/- 0.439 dB、構造類似度指数(SSIM)が0.849 +/- 0.002、知覚画像パッチ類似度(LPIPS)が0.145 +/- 0.007であった。 独立したSea-Undistortデータセットでは、サンプルを意識した微調整により復元精度が19.469 +/- 0.332 dB PSNRと0.554 +/- 0.005 SSIMに向上した。 実際のUAV画像に関する追加実験は、特徴保存とセグメンテーションの挙動を調べた。 以上の結果から,浅水画像復元における半合成トレーニングと条件拡散の可能性が示唆された。

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)
• Three-Dimensional Retinal Microvasculature Restoration in OCT Angiography [4.442929593591647]
  本稿では,1つのOCTAボリュームから解剖学的血管を復元する深層学習アルゴリズムを提案する。 提案モデルでは,元のOCTAボリュームに比べて画質が大幅に向上した。
  論文  参考訳（メタデータ） (2026-06-03T19:23:09Z)
• Distortion-Aware Fusion of Statistical and Vision-Language Features for Blind Image Quality Assessment [3.4153424359998508]
  138次元のNASディスクリプタと2つの相補的なVLM埋め込みを統合した歪み認識型融合フレームワークを提案する。 KADID-10kの歪み毎の解析により、SNSの特徴がノイズや色シフトの歪みに最も寄与していることが明らかになった。
  論文  参考訳（メタデータ） (2026-06-01T09:57:52Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• 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)
• Restoration-Aligned Generative Flow Models for Blind Motion Deblurring [57.425021485907756]
  本稿では,フロー軌跡自体を再構成することで,不整合を解消するフレームワークであるDeFlowを紹介する。 この定式化の下では、標準フローマッチング損失は自然に残留損失の形を取る。 GoPro、HIDE、RealBlur、RWBIの実験では、DeFlowは強力な復元忠実性と知覚リアリズムを実現している。
  論文  参考訳（メタデータ） (2026-05-09T10:05:51Z)
• The Diffusion Duet: Harmonizing Dual Channels with Wavelet Suppression for Image Separation [11.801698362346192]
  ブラインド画像分離(Blind Image separation, BIS)とは、複数の独立したソース画像の同時推定と復元の逆問題である。 統計的な独立性の仮定やCNN/GANの変種に依存する伝統的な手法は、実際のシーンにおける複雑な特徴分布を特徴づけるのに苦労する。 本稿では, 2チャネルBISへの拡散モデルを導入し, 効率の良いDual-Channel Diffusion separation Modelを提案する。
  論文  参考訳（メタデータ） (2026-02-13T11:48:07Z)
• UW-3DGS: Underwater 3D Reconstruction with Physics-Aware Gaussian Splatting [31.813166209083303]
  UW-3DGS, 3D Gaussianting (3DGS) をロバストな水中再構築に応用した新しいフレームワークについて紹介する。 主なイノベーションは,(1) 空間的減衰と後方散乱にボクセルによる回帰を用いた, 学習可能な水中画像形成モジュールである。 SeaThru-NeRFとUWBundleデータセットの実験では、PSNRが27.604、SSIMが0.868、LPIPSが0.104、浮動小天体が65%減少している。
  論文  参考訳（メタデータ） (2025-08-08T09:36:32Z)
• Single-Step Latent Diffusion for Underwater Image Restoration [25.229678050715496]
  水中画像復元アルゴリズムは、水中で撮影されたシーンの色、コントラスト、外観を復元しようとする。 海洋生態学や養殖から水中建設や考古学まで、様々な応用において重要な道具である。 Slurppは既存の拡散法よりも200倍高速で、合成ベンチマークではPSNRが3dB改善されている。
  論文  参考訳（メタデータ） (2025-07-10T16:02:07Z)
• 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)
• 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。