Underwater Monocular-continuous Stereo Network Based on Cascade Structure for Underwater Image Depth Estimation
Notice bibliographique
Résumé
Underwater monocular image depth estimation (UMIDE) is crucial accurately representing and understanding underwater spatial variations, which can significantly enhance applications such as ocean engineering construction and seabed resource exploration. However, UMIDE frequently suffers from isolated discontinuous irregular "spots", inaccurate or indistinguishable edges, and limited model generalization, resulting from color distortion, image blurring, and spatial information loss. This paper proposes an underwater Monocular-continuous stereo network based on a cascade structure (UMCS-CS). Initially, we design a Pinhole model-based Structure from Motion method for camera pose estimation. UMCS-CS employs a two-stage structure for feature extraction: the first stage extracts global information, and the second stage captures detailed information using the squeeze–excitation block with spatial and channel attention. For isolated, discontinuous, and irregular "spots", we use the variance of the current depth estimation to adjust and appropriately expand the depth estimation range. We design a composite loss function, which is a combination of the smooth L1 loss, edge loss function, structural similarity loss, and smoothness loss functions, each with different weights. Experiments on public underwater datasets show that the relative error of the estimated depth map is reduced by 60.83%, the root mean square error by 54.87%, and the logarithmic error by 39.61%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».