Jan, 2019

现实世界水下增强：挑战、基准和解决方案

PDF
TL;DR本文介绍了一个用于水下图像处理的系统，构建了一个大规模的水下图像数据集 (RUIE)。在 RUIE 上，对多种算法进行了海量实验，以评估其在提高图片可视度和校正色调方面的效果和限制，并在提高可视度和校正色调的基础上，探索了其对目标检测的贡献。
underwater image enhancementruie data setvisibility qualitycolor castsobject detection
发现论文，激发创造
  • 基于深度学习的水下图像增强综述

    水下图像增强是计算机视觉领域的一个具有挑战性的研究任务，文章综述了多个角度，包括物理模型、数据构建过程、评估指标、损失函数以及最新算法在网络架构、学习策略、学习阶段、辅助任务、领域视角和解缠融合等六个方面的贡献，并通过定量和定性评估在多个基准数据集上对最先进的算法进行了综合和公正的比较，同时提出了水下图像增强任务中值得进一步研究的问题。

    May, 2024

  • 水下图像增强基准数据集及其拓展

    本文通过对海底图像进行感知研究来评估现有算法在实际数据中的表现，并提出了一个海底图像增强基准 (UIEB) 数据集，包括 950 张真实图像以及涉及卷积神经网络的算法，以此来评估现有算法的性能和局限性。

    Jan, 2019

  • UIF：水下图像增强的客观质量评估

    本论文提出了一种基于深度学习和支持向量回归的水下图像保真度度量方法 (UIF)， 可以客观评估增强水下图像的画质。同时作者还建立了一个大规模的水下图像增强数据库 (UIED)，作为评估标准，实验证明 UIF 在客观指标方面优于多种水下和通用图像质量度量。

    May, 2022

  • RAUNE-Net：一种基于残差和注意力的水下图像增强 方法

    通过应用深度学习中的残差和注意机制，本论文提出了一种更可靠和合理的名为 RAUNE-Net 的 UIE 网络，该网络在瓶颈处使用了高级特征的残差学习，并在下采样过程中进行了两个方面的注意操纵。此外，我们收集和创建了两个特别设计用于评估 UIE 方法的数据集，包含不同类型的水下失真和退化。实验证明，与其他八种 UIE 方法相比，我们的方法在各种真实水下图像上获得了有前途的客观性能和一致的视觉结果。

    Nov, 2023

  • 快速水下图像增强以提升视觉感知

    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

  • 端到端水下视频增强：数据集与模型

    基于构建的合成水下视频增强数据集 (SUVE) 和利用帧间关系的新型水下视频增强模型 UVENet，该研究首次全面探索水下视频增强领域，并在合成和真实水下视频的广泛实验中展示了方法的有效性。

    Mar, 2024

  • 水下图像增强是否为所有目标检测器所需要？

    海底目标检测中的图像增强算法对提高检测效果具有重要影响，本研究通过使用 18 种最先进的海底图像增强算法对数据进行预处理，重训练 7 种深度学习目标检测模型，得出了 126 个海底目标检测模型，并通过对比原始图像上的 7 个目标检测模型，全面分析了图像增强对海底目标检测的影响。

    Nov, 2023

  • 水下可变焦深度引导感知网络用于水下图像增强

    通过将深度先验注入到深度水下图像增强模型中，本论文提出了一种名为水下可变变焦（UVZ）的新型深度引导感知水下图像增强框架，该方法在不同区域实现了局部和非局部感知，并在多个基准数据集上取得了卓越的视觉增益和有希望的定量指标，特别是在异常光照条件下表现良好。

    Apr, 2024

  • DGNet: 动态梯度引导网络与噪声抑制方法用于水下图像增强

    利用预测图像动态更新伪标签，将动态梯度添加到优化网络的梯度空间，通过特征恢复与重建模块和频率域平滑模块降低各种类型噪声对网络性能的影响，实现了在水下图像增强方面的显著优势。

    Dec, 2023

  • UVEB：面向实际水下视频增强的大规模基准和基线

    通过构建第一个大规模高分辨率的水下视频增强基准 (UVEB)，我们能够更有效地促进水下视觉的发展，并且我们提出的第一个有监督的水下视频增强方法 UVE-Net 通过充分利用水下视频的降质信息，实现了更好的视频增强效果。

    Apr, 2024