Apr, 2024

分离式注意力：一种基于 Cycle GAN 的改进型水下图像增强方法

PDF
TL;DR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。
underwater image enhancementcycle gandepth-oriented attentioncontrast enhancementautonomous underwater vehicles
发现论文，激发创造
  • 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

  • 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

  • 利用生成对抗网络增强水下图像

    本文提出了一种使用生成对抗网络 (GANs) 来提高可视水下场景质量的方法，该方法可以为水下机器人在视觉驱动任务上的表现提供更好的输入，同时提供了定量和定性数据，证明了这种方法的有效性。

    Jan, 2018

  • 一种新的水下图像增强和改进的水下生物检测流程

    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

  • WaterGAN：无监督生成网络以实现单目水下图像的实时颜色校正

    本文介绍了一种利用 WaterGAN 的生成对抗网络对单眼水下图像进行颜色校正的方法，WaterGAN 通过生成真实的水下图像来构建大规模的有标注数据集，内置的 end-to-end 网络可以通过对水下图像的处理后隐式地学习场景的粗略深度估计，同时在清水箱和实际场景测试中表现出色。

    Feb, 2017

  • PUGAN: 物理模型引导下的双判别器深度学习增强水下图像

    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

  • 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

  • 端到端水下视频增强：数据集与模型

    基于构建的合成水下视频增强数据集 (SUVE) 和利用帧间关系的新型水下视频增强模型 UVENet，该研究首次全面探索水下视频增强领域，并在合成和真实水下视频的广泛实验中展示了方法的有效性。

    Mar, 2024

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

    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。

    Oct, 2023

  • 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