提出了一种条件生成式对抗网络模型来实现实时水下图像增强,该模型基于全局内容、颜色、局部纹理和样式信息来评估感知图像质量,并使用 EUVP 数据集进行监督学习,可以从匹配和非匹配训练中学习提高水下图像质量,进而进一步提高水下物体检测、人类姿态估计和显著性预测等任务表现。
Mar, 2019
本文介绍了一种利用 WaterGAN 的生成对抗网络对单眼水下图像进行颜色校正的方法,WaterGAN 通过生成真实的水下图像来构建大规模的有标注数据集,内置的 end-to-end 网络可以通过对水下图像的处理后隐式地学习场景的粗略深度估计,同时在清水箱和实际场景测试中表现出色。
Feb, 2017
该研究论文介绍了一种应对极端海洋条件中目标物跟踪的自主视觉导航框架,该框架利用生成对抗网络(GAN)和 YOLOv5 目标检测器对视觉特征进行处理,并在沙尘暴和雾等极端能见度受限条件下进行了充分测试,结果表明该方案在多个指标上优于现有方法。
Aug, 2023
自主导航与水下环境中的挑战,主要包括光吸收和水浑浊度等因素,传统视觉算法对声纳生成的声学图像的应用效果较差,而卷积神经网络通常需要大量的标记训练数据,这些数据通常难以获取。因此,我们提出了一种新型的紧凑型深度声纳描述符管道,它能够在仅仅用于合成数据的情况下推广到真实场景,并通过标准的临时规范化 / 预滤波技术提升输入声纳数据的质量。同时,我们还介绍了自定义的合成数据生成过程。通过对合成和公开可用的真实数据的广泛评估,证明了我们提出的方法相较于最先进的方法更加有效。
比较不同的深度学习架构以实现水下对接检测和分类,并使用知识蒸馏压缩具有最佳性能的架构,利用生成对抗网络进行图像转换以模拟真实水下图像,最终评估该方法的成功率并与传统视觉方法进行比较。
Nov, 2023
利用变分自动编码器的半监督方法来检测水下无人潜水器收集的人工物体图像, 通过数据聚类和异常分数提取技术,能够大规模地识别感兴趣的物体的候选样本,并在未标记的数据集上实现了平均精度为 0.64 的识别
Jun, 2023
通过结合海洋数据科学、深海探索、自主水下载具、水下成像和机器人三维重建等技术的最新发展,我们提出了一个系统,可在海底面积达公顷级的范围内进行自动化的机器人三维重建。该系统经过多次研究航行的测试和评估,展示了在真实条件下的稳定性和实用性。
提出了一种基于改进的 Cycle GAN 模型的水下图像增强方法,利用深度导向关注机制增强整体图像对比度,保持全局内容、颜色、局部纹理和样式信息不变,该方法在包含配对和非配对水下图像集的基准数据集上训练,定性和定量评估结果表明该模型适用于自主水下航行的视觉导航。
Apr, 2024
本论文介绍了一种协作对抗鲁棒性网络(CARNet),用于水下图像增强和后续检测任务。通过引入具有强大扰动感知能力的可逆网络来隔离水下图像中的攻击,防止对图像增强和感知任务的干扰,并结合视觉驱动和感知驱动攻击的同步训练策略,使网络能够识别和去除各种类型的攻击。此外,还结合攻击模式判别器提高网络对不同攻击的鲁棒性。实验证明,该方法输出视觉上令人满意的增强图像,并相比最先进方法具有平均 6.71% 更高的检测 mAP。
Sep, 2023
MuLA-GAN 是基于生成对抗网络(GAN)和多级注意力机制相结合的一种新方法,用于全面改善水下图像。模型的多级注意力机制在捕捉和保留水下图像的细节方面表现出色,且在各种应用中优于现有的尖端方法,在具有生物附着和水产养殖应用的特定数据集上展示了其在挑战性环境条件下的鲁棒性。
Dec, 2023