美を超えて：濁水中の情報損失を定量化する

水中環境では濁度が高くなると視認性が急速に低下するが、コンピュータビジョンモデルへの影響は明確ではない。既存研究は合成濁度データセットに依存しており、現実の情報損失を誤って表現する可能性がある。このギャップを埋めるため、オールボー大学などの研究チームはTurbid Underwater Baseline (TUB)データセットを公開した。これは極度の濁度下で撮影された1,320枚の画像と16,000以上の高信頼性セグメンテーションマスクから構成される。データセットは様々な濁度レベルをカバーし、実際のシーンの複雑さを反映するように詳細なインスタンスセグメンテーションアノテーションが施されている。

実際の濁度における情報損失を定量化するため、位相一致性マップから導出されるPCD（Phase Congruency Degradation）指標が提案された。PCDはコントラスト不変であり、構造情報の損失を捉えることを目的としている。従来のPSNRやSSIMとは異なり、PCDは濁度シーンに特化して設計されており、コントラスト変化の影響を受けないため、実際の条件でのモデル性能をより正確に評価できる。実験では、実画像と合成画像の両方で、PCDはインスタンスセグメンテーションモデル（Mask R-CNN、YOLACTなど）の性能と強い相関（相関係数0.9以上）を示した。一方、既存の指標は弱い相関（相関係数0.5未満）しか示さず、場合によっては全く相関しなかった。この発見は、既存の評価指標が濁度の悪影響を過小評価している可能性を示しており、実際の導入においてモデルが期待通りに動作しない原因となりうる。

さらに、合成濁度データセットと実際の濁度シーンの間には顕著な分布の違いがあることが分かり、実際のデータの重要性が強調された。TUBデータセットの公開はこのギャップを埋める重要なリソースとなる。本論文は2026年6月24日にarXivに提出され、著者はVasiliki Ismiroglouを含む5名である。TUBデータセットとPCD指標は水中視覚研究のためのより信頼性の高い評価ツールを提供し、より堅牢なコンピュータビジョンモデルの開発に貢献する。データセットとコードはプロジェクトページ（https://vap.aau.dk/pcd）で公開されており、研究チームは今後、データセットをさらに多くの水中シーンに拡張し、PCDを他の視覚タスク（物体検出、セマンティックセグメンテーションなど）にも適用する予定である。この研究は水中ロボット、海洋監視、潜水支援などの応用に重要な意味を持ち、分野全体の発展を促進することが期待される。