Oct, 2023

UWFormer：一种基于半监督多尺度 Transformer 的水下图像增强方法

PDF
TL;DR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。
underwater imagesunderwater enhancement techniquesdeep learning methodologiesmulti-scale transformer-based networksemi-supervised learning
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

  • 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

  • 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

  • 水下图像同步增强和超分辨率以实现更好的视觉感知

    提出 Deep SESR 方法，支持水下机器人对图像进行同步增强和超分辨，通过多模态目标函数训练，能够支持 2x、3x、4x 空间分辨率的图像恢复，并在 UFO-120 数据集上进行了验证实验。

    Feb, 2020

  • L^2UWE: 一种利用局部对比度和多尺度融合来有效增强低光环境下水下图像的框架

    本文提出了一种单图像低光度水下图像增强方法，L^2UWE，该方法是基于局部对比信息推导出的大气光照模型，在强调高亮度、显著度和局部对比区域的情况下，通过多尺度融合过程生成两个增强图像，一个突显更细节的细节，另一个侧重于去除黑暗。通过七种评价指标测试，该方法表现优异并比七种先进的水下和低光度场景增强技术效果更好。

    May, 2020

  • 水下图像弱监督颜色转换的色彩校正

    本文提出了一种弱监督颜色转移方法来处理水下图像的颜色失真问题。通过采用 Cycle-Consistent Adversarial Networks 以及多项损失函数的设计，使得矫正后的水下图像在内容和结构上与输入相同，但是看起来就像没有水下环境拍摄的图像。实验证明，该方法不仅可以显著改善水下图像的视觉效果，还能提高视觉任务的性能。

    Oct, 2017

  • 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

  • 对比学习实现的单张水下图像修复

    本文提出了一种新颖的无监督图像到图像翻译框架，利用对比学习和生成式对抗网络来实现海底图像的修复，通过释放大规模真实的海底图像数据集来支持模型的训练，并通过与最近方法的比较进一步证明了我们方法的优势。

    Mar, 2021

  • 水下可变焦深度引导感知网络用于水下图像增强

    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

  • 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