CVPRMar, 2023

可靠库对水下图像恢复的对比半监督学习

PDF
TL;DR本研究提出了一种基于均值教师的半监督水下图像恢复框架，利用可靠性指标来选择最值得信任的负责伪标记的模型，并引入对比度正则化来防止对错误标签过拟合。实验结果表明，我们的算法在完全参考和非参考水下基准测试中，从定量和定性上都比 SOTA 方法有明显的改进。
发现论文，激发创造
  • 对比学习实现的单张水下图像修复

    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

  • 基于对比学习和实际数据集的水下图像恢复

    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

  • 结合半监督和正未标记学习提升全参考图像质量评估

    本文提出了一种利用半监督和正无标记学习方法来提高无标签数据质量检测表现的方法，通过动态生成伪 MOS，结合全参考图像质量评估和空间注意力机制来处理 GAN 模型带来的误配问题。在多项数据集实验中表现良好。

    Apr, 2022

  • 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

  • UWFormer：一种基于半监督多尺度 Transformer 的水下图像增强方法

    该研究通过使用多尺度转换网络和半监督学习，提出了一种用于增强多频率图像的方法，通过非线性频率感知注意机制和多尺度融合前馈网络进行低频增强。此外，还引入了一种专门的水下半监督训练策略，提出了一个水下感知损失函数以生成可靠的伪标签，实验证明该方法在数量和视觉质量方面优于现有的水下图像增强方法。

    Oct, 2023

  • 水下图像同步增强和超分辨率以实现更好的视觉感知

    提出 Deep SESR 方法，支持水下机器人对图像进行同步增强和超分辨，通过多模态目标函数训练，能够支持 2x、3x、4x 空间分辨率的图像恢复，并在 UFO-120 数据集上进行了验证实验。

    Feb, 2020

  • 基于波长属性的深度神经网络用于水下图像修复

    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

  • 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

  • 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

  • 利用 Conformer 和 Blind Noisy Students 来改进图像质量评估

    探索基于 transformer 的全参考图像质量评估模型的性能，并提出了一种基于半监督知识蒸馏的 IQA 方法，使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中，我们的方法取得了竞争力的结果。

    Apr, 2022