近年来,在水下图像增强(UIE)领域取得了显著进展,但其在自主水下载具(AUVs)中的水下物体检测(UOD)等高级视觉任务中的实际应用仍较少探索。我们介绍了一种集成实时框架 EnYOLO,旨在同时进行 UIE 和 UOD,并具有域自适应能力。综合实验表明,我们的框架不仅在 UIE 和 UOD 任务中达到了最先进的性能,而且在应用于不同的水下场景时显示出了卓越的适应性。
Mar, 2024
本研究提出了使用边缘信息指导的表征学习网络 ERL-Net,该网络包括边缘指导的 attention 模块和特征聚合模块,以及一种宽而不对称的感受野块,用于改进水下物体检测中的低对比度、小目标的识别。实验证明,该方法在三个挑战性的水下数据集上均取得了优异的表现。
Jun, 2023
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
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
本研究提出了一个迭代框架,用于在水下图像增强中识别和解决单一主导退化条件。使用深度网络来识别主导退化条件,然后选择相应的深度网络进行特定条件的图像增强,实验证明该方法在两个标准数据集上优于其他九种基准方法。
Jun, 2024
提出了一种用于超高清晰度交通监控的双域引导实时低光图像增强网络(DDNet),通过编码器 - 解码器结构将增强处理分为两个子任务(即颜色增强和梯度增强),实现了对颜色和边缘特征的同时增强,能够提高在低光环境下转运监控的图像处理效率和质量,并通过标准和与交通相关的数据集的评估实验证明了该方法相对于现有方法在增强质量和效率方面的优势,并在物体检测和场景分割实验中展示了在低光环境中进行高级图像分析的实际效益。
Sep, 2023
本研究提出了一种名为 SyreaNet 的框架,它融合了合成和真实数据,并以修订的水下图像形成模型和新颖的领域自适应策略为指导,旨在提高水下图像增强的质量。实验表明,我们的框架在 qualitatively 和 quantitatively 方面均优于其他最先进的基于学习的水下图像增强方法。
Feb, 2023
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
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