Sep, 2023
基于 Transformer 的扩散模型的非均匀采样用于跳跃策略的水下图像增强
Underwater Image Enhancement by Transformer-based Diffusion Model with Non-uniform Sampling for Skip Strategy
Yi Tang, Takafumi Iwaguchi, Hiroshi Kawasaki
TL;DR通过在水下场景中使用扩散模型进行图像增强的方法，本文提出了一种方法。我们的方法利用水下图像和高斯噪声作为输入，采用条件降噪扩散概率模型生成相应的增强图像。此外，为了提高扩散模型中的反向过程的效率，我们采用了两种不同的方式。我们首先提出了一种基于轻量级 Transformer 的降噪网络，可以有效提升每次迭代的网络正向时间。另外，我们引入了一种跳跃抽样策略来减少迭代次数。此外，在跳跃抽样策略的基础上，我们提出了两种不同的非均匀抽样方法，即分段抽样和使用进化算法进行搜索。它们都是有效的，并且通过相同的步骤针对以前的均匀抽样进一步提高性能。最后，我们对最近最先进的水下增强数据集和提出的方法进行了相对评估。实验结果证明，我们的方法既能取得竞争性的性能，又具备高效性。我们的代码可在 https://github.com/piggy2009/DM_underwater 中获得。