Szczegóły publikacji

Opis bibliograficzny

Projektowanie zbiorów danych dla poprawy jakości obrazów podwodnych: analiza wpływu podobieństwa próbek na skuteczność modeli AI — Dataset design for underwater image enhancement: an analysis of sample similarity effects on AI model performance / Doğukan ÖZTÜRK, Dawid JUSZKA // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN  1230-3496 . — 2026 — R. 98 nr 4, s. 489–492. — Bibliogr. s. 492, Streszcz., Abstr. — W artykule podano błędny rocznik czasopisma. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław

Autorzy (2)

Słowa kluczowe

EN: no-reference quality assessmentimage filteringunderwater image enhancementdata augmentationvalidation strategy
PL: augmentacja danychulepszanie obrazów podwodnychfiltrowanie obrazówocena jakości bez obrazu referencyjnegostrategia walidacji

Dane bibliometryczne

ID BaDAP170726
Data dodania do BaDAP2026-11-18
Tekst źródłowyURL
DOI10.15199/59.2026.4.113
Rok publikacji2026
Typ publikacjireferat w czasopiśmie
Otwarty dostęptak
Creative Commons
Czasopismo/seriaPrzegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne

Abstract

Dataset design is vital for AI-based underwater image enhancement and remotely acquired visual content used in underwater monitoring and teleoperation. Independent training, validation, and test subsets are required for unbiased evaluation, while controlled transformations of visually related samples may support data enrichment during training. This study compares filtering and color-jitter configurations and shows that samplesimilarity-guided enrichment can improve no-reference image-quality outcomes.

Streszczenie

Prawidłowa konstrukcja zbiorów treningowego, walidacyjnego i testowego jest kluczowa dla metod poprawy jakości obrazów podwodnych opartych na AI. Wszystkie podzbiory powinny reprezentować ten sam rozkład danych, przy jednoczesnym wykluczeniu duplikatów i próbek niemal identycznych, aby uniknąć wycieku danych i błędnej oceny wyników. Nasze eksperymenty pokazują, że staranne projektowanie zbiorów danych znacząco poprawia skuteczność poprawy jakości obrazów.

Publikacje, które mogą Cię zainteresować

artykuł
#170731Data dodania: 18.11.2026
Lekka sieć CNN z prowadzeniem głębiowym do poprawy jakości obrazów podwodnych z wykorzystaniem priorytetu ciemnego kanału i istotności spektralnej — Depth-guided lightweight CNN for underwater image enhancement using dark channel prior and spectral saliency / Mehr Un NISA, Lallouani Bouchakour, Dawid JUSZKA, Yi Zhang, Mikołaj LESZCZUK // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN  1230-3496 . — 2026 — R. 98 nr 4, s. 509–512. — Bibliogr. s. 512, Streszcz., Abstr. — W artykule podano błędny rocznik czasopisma. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław
artykuł
#161969Data dodania: 4.9.2025
Comparison of improvement on IQA metrics with deep learning-based visual quality enhancement models — Porównanie poprawy metryk IQA przy użyciu modeli poprawy jakości wizualnej opartych na głębokim uczeniu / Doğukan Öztürk, Mikołaj LESZCZUK // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496. — 2025 — R. 98 nr 4, s. 426–429. — Bibliogr. s. 429, Abstr., Streszcz. — KRiT 2025 : Konferencja Radiokomunikacji i Teleinformatyki : Gdańsk, 10–12 września 2025