一种基于物理知识引导的水下图像增强的泛化动态模型
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。
Jun, 2023
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
本文提出了一种内容保留扩散模型（CPDM），通过将扩散模型作为基础模型进行稳定训练，并设计内容保留框架来处理成像条件的变化，从而有效地解决水下图像增强任务中的挑战。实验证明了 CPDM 的有效性，在主观和客观指标上均超过了现有技术方法。
Jan, 2024
最近几年随着海洋产业的不断发展，水下图像增强引起了广泛关注。为了解决颜色偏差和低对比度的问题，我们提出了一种自适应透射和动态颜色引导网络（命名为 ATDCnet）用于水下图像增强。
Aug, 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
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
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
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
本文介绍了一种用于增强不同水域下水下图像的模型，采用深度学习技术，通过对图像特征进行无关领域的学习，提高了图像增强的性能，并在物体检测任务中表现出了显著的改善。
May, 2019
通过使用统计观察，该论文提出了一种基于残差特征传递模块（RFTM）的方法，将具有严重退化的图像区域用于水下物体检测的先验代替，并应用于 CNN-based 特征提取网络，以提高水下物体检测的性能。实验结果显示，该方法在速度和参数数量方面优于基于 CNN 的检测器，并且表现仍优于基于 Transformer 的检测器。
Aug, 2023