수중 이미지 향상을 위한 트랜스포머 기반 물리 인식 확산 모델 학습
물리적 속성을 고려한 새로운 UIE 프레임워크인 PA-Diff의 개발
수중 이미지 향상을 위한 반지도 학습 기반 다중 스케일 트랜스포머 UWFormer
UWFormer는 다중 주파수 향상을 위한 반지도 학습 기반 다중 스케일 트랜스포머 모델로, 비선형 주파수 인지 주의 메커니즘과 다중 스케일 융합 피드포워드 네트워크를 통해 수중 이미지의 색상, 대비, 선명도를 효과적으로 향상시킨다.
실제 환경에서 반자동 다중 스케일 트랜스포머를 통한 수중 이미지 향상
본 논문은 다중 스케일 트랜스포머 기반의 UWFormer 모델을 제안하여 반자동 학습을 통해 수중 이미지의 질을 향상시킨다. 이를 위해 비선형 주파수 인지 주의 메커니즘과 다중 스케일 융합 피드포워드 네트워크를 도입하였으며, 수중 환경에 특화된 준지도 학습 전략을 사용하였다.
물리 기반 합성 수중 이미지 데이터셋
이 논문은 물리 기반 합성 수중 이미지 데이터셋(PHISWID)을 소개하며, 이를 통해 수중 이미지 처리 기술을 향상시키고자 한다.
향상된 Cycle GAN 기반 수중 이미지 향상 방법
본 논문에서는 깊이 지향 주의력을 활용하여 Cycle GAN 모델을 개선하여 수중 이미지의 대비를 향상시키는 방법을 제안합니다.
수중 변수 줌-깊이 가이드 인지 네트워크를 통한 수중 이미지 향상
수중 장면의 다양한 열화 문제를 해결하기 위해 깊이 정보를 활용하여 근거리와 원거리 영역을 적응적으로 인식하고 향상시키는 새로운 프레임워크를 제안한다.
주파수 및 이중 색상 인코더를 활용한 수중 이미지 향상 기법: FDCE-Net
FDCE-Net은 주파수 공간 네트워크(FS-Net)와 이중 색상 인코더(DCE)로 구성되어 있습니다. FS-Net은 주파수 영역에서 이미지 열화 요인을 분리하여 개별적으로 향상시키고, DCE는 색상과 의미 표현 간의 상관관계를 학습하여 적응적인 색상 쿼리를 생성함으로써 복잡한 수중 환경에서의 색상 복원을 개선합니다.
물리 기반 반지도 학습 수중 이미지 향상
물리 기반 모델과 딥러닝 기술을 결합하여 수중 이미지 향상 문제를 해결하고, 레이블된 데이터와 레이블되지 않은 데이터를 모두 활용하는 반지도 학습 프레임워크를 제안한다.
수중 이미지 향상을 위한 탈안개 및 색상 복원
본 연구는 수중 이미지의 품질을 향상시키기 위해 Vision Transformer 기반의 WaterFormer 네트워크를 제안한다. WaterFormer는 탈안개 블록, 색상 복원 블록, 채널 융합 블록으로 구성되어 있으며, 크로마틱 일관성 손실과 Sobel 색상 손실을 통해 색상 충실도와 세부 정보 보존을 보장한다.
수중 이미지 향상을 위한 픽셀 차이 합성곱 및 다중 수준 특징 융합 기반 PDCFNet
본 연구는 픽셀 차이 합성곱(PDC)과 다중 수준 특징 융합을 활용하여 수중 이미지 향상 성능을 향상시키는 PDCFNet 네트워크를 제안한다.
© 2024 by Linnk AI