Mar, 2019

快速水下图像增强以提升视觉感知

PDF
TL;DR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。
underwater image enhancementgenerative adversarial networkeuvp datasetobject detectionhuman-robot collaboration
发现论文，激发创造
  • 分离式注意力：一种基于 Cycle GAN 的改进型水下图像增强方法

    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

  • 利用生成对抗网络增强水下图像

    本文提出了一种使用生成对抗网络 (GANs) 来提高可视水下场景质量的方法，该方法可以为水下机器人在视觉驱动任务上的表现提供更好的输入，同时提供了定量和定性数据，证明了这种方法的有效性。

    Jan, 2018

  • 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

  • 使用领域对抗学习的全能水下图像增强

    本文介绍了一种用于增强不同水域下水下图像的模型，采用深度学习技术，通过对图像特征进行无关领域的学习，提高了图像增强的性能，并在物体检测任务中表现出了显著的改善。

    May, 2019

  • 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

  • 水下场景中增强和目标检测的联合知觉学习

    我们提出了一个双层优化方法，用于共同学习水下物体检测和图像增强，并将其展开为一个双重感知网络（DPNet）。DPNet 通过一个共享模块和两个任务子网络从两个不同任务中学习，寻求共享表示。共享表示为图像增强提供更多结构细节和物体检测提供丰富的内容信息。通过广泛的实验，我们的方法在实际和合成水下数据集上展示出对视觉的青睐以及更高的检测准确性。

    Jul, 2023

  • 协作强韧水下图像增强与感知的双重对抗性韧性

    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

  • 物理感知的半监督水下图像增强

    该研究提出了一种新颖的物理感知双流水下图像增强网络（PA-UIENet），该网络利用物理学基础的水下图像形成模型（IFM）和深度学习技术进行水下图像增强任务，并采用受 IFM 启发的半监督学习框架来解决数据不足的问题。该方法在降解估计和水下图像增强任务上表现优于八个基准模型。

    Jul, 2023

  • 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