Jun, 2023

PUGAN: 物理模型引导下的双判别器深度学习增强水下图像

PDF
TL;DR本文提出了一种 PUGAN 物理模型引导的生成对抗网络模型，具有更好的场景适应性和视觉美感，并通过对关键区域进行强化增强，以获得清晰且视觉愉悦的水下图像。
underwater image enhancementgenerative adversarial networksphysical modeldegradation quantizationdual-discriminators
发现论文，激发创造
  • 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

  • MuLA-GAN: 提升水下视觉的多级注意力生成对抗网络

    MuLA-GAN 是基于生成对抗网络（GAN）和多级注意力机制相结合的一种新方法，用于全面改善水下图像。模型的多级注意力机制在捕捉和保留水下图像的细节方面表现出色，且在各种应用中优于现有的尖端方法，在具有生物附着和水产养殖应用的特定数据集上展示了其在挑战性环境条件下的鲁棒性。

    Dec, 2023

  • 基于生成对抗网络的无监督深度图像增强技术

    本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

    Dec, 2020

  • 一种基于物理知识引导的水下图像增强的泛化动态模型

    通过物理知识引导的动态模型，通过对海洋影像的大气、透射和先验进行动态卷积、自适应参数提取和多尺度特征提取，实现对水下图像的普遍增强。

    Aug, 2023

  • 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

  • WaterGAN：无监督生成网络以实现单目水下图像的实时颜色校正

    本文介绍了一种利用 WaterGAN 的生成对抗网络对单眼水下图像进行颜色校正的方法，WaterGAN 通过生成真实的水下图像来构建大规模的有标注数据集，内置的 end-to-end 网络可以通过对水下图像的处理后隐式地学习场景的粗略深度估计，同时在清水箱和实际场景测试中表现出色。

    Feb, 2017

  • 基于 Transformer 的面向物体识别的水下图像增强的物理感知扩散模型学习

    我们介绍了一种名为 PA-Diff 的新型水下图像增强 (UIE) 框架，设计用于利用物理学知识来指导扩散过程，并证明了该方法在 UIE 任务上取得了最佳性能。

    Mar, 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

  • 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

  • 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