Dec, 2023

UIEDP：基于扩散先验的水下图像增强

PDF
TL;DR水下图像增强中，UIEDP 是一个新的框架，将 UIE 视为在退化水下输入条件下清晰图像后验分布采样过程，通过结合先前训练的扩散模型和任何现有 UIE 算法，以改进合成图像的质量，从而生成更高质量且更自然的图像。
underwater image enhancementuiediffusion priordeep modelsimage generation
发现论文，激发创造
  • CPDM：用于水下图片增强的内容保留扩散模型

    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

  • 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

  • 基于深度学习的水下图像增强综述

    水下图像增强是计算机视觉领域的一个具有挑战性的研究任务，文章综述了多个角度，包括物理模型、数据构建过程、评估指标、损失函数以及最新算法在网络架构、学习策略、学习阶段、辅助任务、领域视角和解缠融合等六个方面的贡献，并通过定量和定性评估在多个基准数据集上对最先进的算法进行了综合和公正的比较，同时提出了水下图像增强任务中值得进一步研究的问题。

    May, 2024

  • IDA-UIE：一种基于深度网络的 degradation-aware 水下图像增强的迭代框架

    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

  • 基于扩散模型和定制 CLIP 分类器的水下图像增强

    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

  • 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

  • SyreaNet：一个融合合成和真实图像的物理引导水下图像增强框架

    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

  • 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

  • UIF：水下图像增强的客观质量评估

    本论文提出了一种基于深度学习和支持向量回归的水下图像保真度度量方法 (UIF)， 可以客观评估增强水下图像的画质。同时作者还建立了一个大规模的水下图像增强数据库 (UIED)，作为评估标准，实验证明 UIF 在客观指标方面优于多种水下和通用图像质量度量。

    May, 2022

  • 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