使用领域对抗学习的全能水下图像增强
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
本文提出了一种弱监督颜色转移方法来处理水下图像的颜色失真问题。通过采用 Cycle-Consistent Adversarial Networks 以及多项损失函数的设计,使得矫正后的水下图像在内容和结构上与输入相同,但是看起来就像没有水下环境拍摄的图像。实验证明,该方法不仅可以显著改善水下图像的视觉效果,还能提高视觉任务的性能。
Oct, 2017
通过采用基于深度学习的架构,我们能够自动模拟水下图像的效果,通过数据驱动的方式推断其他未知因素导致的降级现象,以估计只有 RGB 图像可用的深度图像。通过与其他纯数据驱动方法的比较,我们通过复杂的图像生成模型成功地对该技术进行了定性和定量评估。
Feb, 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
本文提出了一种用于水下图像恢复的深度神经网络模型 Deep WaveNet,采用多重上下文特征和注意力跳过机制,有效地解决了水下环境中波长不对称性引起的色彩失真问题。文中实验证明,该模型在多个高级视觉任务方面表现优于已有模型,并且开源代码。
Jun, 2021
该研究通过引入 “领域相似 - 感知标签分配”(Domain Similarity-Perceived Label Assignment)的概念,并结合领域特定的数据增强技术,在水下跨域目标检测基准测试 S-UODAC2020 上取得了最先进的结果,并验证了该方法在 Cityscapes 数据集上的有效性。
Dec, 2023
通过构建大规模的 HICRD 数据集并提出新的基于 unsupervised image-to-image translation 框架、利用对比学习和生成式对抗网络的方法,我们的研究试图弥补基础难题导致的现有技术和算法难以对海底原始图片修复进行全面评估的空白,并在与其他方法的比较中证明了我们的方法的卓越性能。
Jun, 2021
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
本文提出了一种新颖的无监督图像到图像翻译框架,利用对比学习和生成式对抗网络来实现海底图像的修复,通过释放大规模真实的海底图像数据集来支持模型的训练,并通过与最近方法的比较进一步证明了我们方法的优势。
Mar, 2021
我们提出了一种新颖的水下图像增强方法,通过利用多导向扩散模型进行迭代增强。我们使用图像合成策略并结合对比语言 - 图像预训练(CLIP)来训练一个控制扩散模型生成过程的分类器,在高频区域提出一种快速微调策略,结果表明我们的方法具有更自然的外观。
May, 2024