May, 2023

Five A + 网络：水下图像增强只需 9K 参数

PDF
TL;DR本文提出了一种名为 Five A+ Network (FA+Net) 的高效且轻量级的实时的水下图像增强网络，具有很高的计算效率和性能，采用两阶段的增强结构和像素关注模式，能够在多个数据集上实现最先进的性能。
underwater image enhancementfa+netlightweight networkreal-time processingpixel attention module
发现论文，激发创造
  • 特征注意力网络（FA-Net）：基于深度学习的水下单张图像增强方法

    提出了一种基于深度学习和特征注意力的端到端网络（FA-Net），用于解决水下图像处理和分析中的低频信息限制问题，其中 Residual Feature Attention Block (RFAB) 结合了通道注意力，像素注意力和残差学习机制，并通过多跳连接跳过低频信息，取得了比现有方法更高的定量和定性精度以及优越性。

    Aug, 2023

  • 一个基于传输映射先验的水下图像增强模型（参数 7K）

    基于轻量级选择性注意力网络（LSNet）的高效深度学习模型在水下图像增强方面取得了出色性能，相较于其他基于注意力机制的模型，LSNet 在参数数量和计算资源上均显著减少，并获得了 97% 的峰值信噪比。

    May, 2024

  • 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

  • LU2Net：一种轻量级实时水下图像增强网络

    提出了一种用于实时增强水下图像的新型 U 形网络 LU2Net，通过引入轴向深度卷积和通道注意力模块，显著降低了计算需求和模型参数，从而提高了处理速度，并能以比现有最先进的水下图像增强方法快 8 倍的速度提供增强后的水下图像。此外，LU2Net 还能够处理实时水下视频增强。

    Jun, 2024

  • 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

  • 低光图像增强的快速轻量级网络

    本研究介绍了 FLW-Net，一种用于低光图像增强的快速轻量级网络，可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果，并进行了比较实验以证明其有效性。

    Apr, 2023

  • 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

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 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