Jul, 2024

水下图像增强和深度估计的物理模型引导框架

PDF
TL;DR通过物理模型引导的框架中，使用具有三个精心设计的子网络的深度退化模型 (DDM)，以准确估计各种图像参数，在水下图像增强方面取得了显著的结果。
underwater image enhancementdeep degradation modelphysical model-guided frameworkuieconvdepth estimation
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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • UIEDP：基于扩散先验的水下图像增强

    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。

    Dec, 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

  • 基于物理和数据驱动的水下图像模拟与残差学习

    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