Fast Underwater Image Enhancement for Improved Visual Perception

最新推荐文章于 2024-03-15 10:34:37 发布
最新推荐文章于 2024-03-15 10:34:37 发布
阅读量5.3k 收藏 29
点赞数 7
文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiaguane9585/article/details/105093815
版权

今天介绍的是一篇发表在IEEE Robotics and Automation Letters,2020的一篇水下图像增强的论文

数据集

水下图像工作的一大难点在于难以获得pair的数据集，现有的数据集基本上都是利用水下图像仿真合成的图像作为GT，本文提出了一个新的数据集EUVP Dataset，数据集包括配对图像和不配对图像。

在这里插入图片描述
看了下这个数据集pair数据大部分还是UGAN那篇论文的数据集，Unpair部分则根据图片的质量分成了不同的等级，同样这边的GT部分图像都是合成的。

网络结构

在这里插入图片描述采用的是一个叫FUnIE-GAN的结构，生成器是使用了一个五层的U-Net结构，鉴别器部分使用了PatchGAN，PatchGAN可以分块检验生成图片的质量。最早是在Pix2Pix这篇文章提出的，有兴趣的可以去了解一下。

网络LOSS

前面提到这篇论文使用的数据包括两个部分，一个是pair数据集，一个是Unpair的，在训练时作者也分成了两块来训练，训练起来有所不同

Pair Data

LOSS分为三个部分

1、Global similarity

计算生成图片和GT的局部相似性
这边是基于cGAN的，Z表示输入噪声
这边是类似于cGAN的，Z表示噪声

2、Image content

图片内容损失

这边的内容损失主要是用一个预训练的VGG19网络提取图片的特征进行对比计算。

3、GAN loss

这部分就是鉴别器部分的PatchGAN计算的loss

总的loss是上面三项加权和

Unpair Data

unpair的数据部分因为没有对应的GT，这边的loss采用了一个比较常见的循环一致损失
在这里插入图片描述
总的loss就是循环一致loss 和GAN loss的一个加权和
在这里插入图片描述

实验结果

在这里插入图片描述
在这里插入图片描述

评价指标

Pair Data

配对数据集方面，论文采用了常用的PSNR和SSIM以及一个水下图像专用的评价指标UIQM
在这里插入图片描述
在这里插入图片描述

Unpair Data

这部分数据集没有对应的GT，所以只使用了UIQM这个指标
在这里插入图片描述

Water Pig
关注
  • 7
    点赞
  • 踩
  • 29
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
FUnIE-GAN：深度学习驱动的图像修复与增强
gitblog_00079的博客
04-26 536
FUnIE-GAN：深度学习驱动的图像修复与增强 项目地址:https://gitcode.com/xahidbuffon/FUnIE-GAN 项目简介 FUnIE-GAN 是一个基于生成对抗网络（GAN）的开源项目，专注于高分辨率的图像修复和增强。它由Xahid Buffon开发并维护，目标是处理那些因老化、损坏或低质量导致的图像问题，重现清晰、细节丰富的图像。 技术分析 FUnIE-GAN的核...
《Fast Underwater Image Enhancement forImproved Visual Perception》论文总结（FUnIE-GAN）
weixin_54892004的博客
03-09 2474
IEEE ROBOTICS AND AUTOMATION LETTERS, VOL. 5, NO. 2, APRIL 2020 一.contribution 1.EUVP数据集的生成： paired:12K,用cyclegan学习映射，通过unpaired数据集生成 unpaired:8K，人类视觉感知挑选 总结：含有丰富的水体类型，增强模型泛化性，目标为感知图像增强，故不需要建立水体退化模型，不需要水体属性等参数，只需增强后的图像满足视觉感知特点。 2.FUnIE-GAN的提出 二.FUnI
【阅读论文】Fast Underwater Image Enhancement for Improved Visual Perception
weixin_43169773的博客
06-10 1447
这篇文章发表于IEEE Robotics and Automation Letters 文章代码
Fast Underwater Image Enhancement for Improved Visual Perception（快速增强水下图像以提高视觉感知能力）
最新发布
G-Howe的博客
03-15 1201
我们进行了广泛的定性和定量评估，并开展了一项用户研究，结果表明，与最先进的模型相比，所提出的模型不仅推理速度更快，而且性能不相上下，甚至更好。制定了一个目标函数，引导 G 学习如何提高感知图像的质量，从而使生成的图像在整体外观和高级特征表示方面接近各自的地面实况。在 FUnIE-GAN 中，我们将另外三个方面，即全局相似性、图像内容以及局部纹理和风格信息，与量化感知图像质量的目标联系起来。为了监督对抗训练，我们制定了一个目标函数，根据图像的整体内容、颜色、局部纹理和风格信息来评估图像的感知质量。
水下图像增强改进6
水月寒冰的博客
05-19 4180
最近研究了dive+进行水下图像的增强效果，dive+是一款非常优秀的水下图像处理软件，试验发现dive+对某些强绿色水域的图片增强效果不好，例如下面的这幅图片（结果是我处理的） 用dive+处理颜色会偏黄，很可能dive+只考虑了水下图像中红色衰减比较厉害的情况，当然这符合大多数的情况，理论上也是正确的，但总有一些特殊的情况使得算法失效。 本次改进增加了水下图像增强算法的鲁棒性，使得本算法适用...
U-Shape Transformer for Underwater Image Enhancement（用于水下图像增强的U型Transformer）总结
G-Howe的博客
12-04 1552
在第一轮中，受多个弱分类器可以组成一个强分类器的集合学习[46]的启发，我们首先使用现有的 18 种最优 UIE 方法相继处理收集到的水下图像，生成一个包含 18 ∗ 8018 幅图像的集合，用于下一步最佳参考数据集的选择。这项实验发布了一个大规模水下图像（LSUI）数据集，其中包含真实世界的水下图像，与现有的水下数据集相比，具有更丰富的水下场景（水域类型、光照条件和目标类别），并生成相应的清晰图像作为对比参考。在不同的色彩空间中对某一通道进行量化的目的是计算增强图像与参考图像在该通道上的交叉熵损失。
color balance and fusion for underwater image enhancement.pdf
06-29
欢迎大家学习交流
Underwater image enhancement based on conditional generative adversarial network
02-11
Unfortunately, underwater images are characterized by low contrast, color casts, blurring, low light, and uneven illumination, which severely affects the perception and processing of underwater ...
gangfeng.zip_underwater image
07-14
标题中的“gangfeng.zip_underwater image”暗示了这是一个与水下图像处理相关的项目或研究。这个压缩包可能包含了分析和处理水下图像所用到的算法或代码。描述中提到“基于Chebyshev的水声信号分析”，这表明在处理...
《Priors Guided Extreme Underwater Image Compression for Machin》
01-18
《Priors Guided Extreme Underwater Image Compression for Machine Vision and Human Vision》这篇论文，由Zhengkai Fang, Liquan Shen, Mengyao Li, Zhengyong Wang, 和 Yanliang Jin等人于2023年发表在IEEE ...
Awesome_Underwater_Datasets:指向大型水下数据集和相关资源的指针
05-08
图像增强，色彩校正/恢复 EUVP数据集：，，。 （已配对和未配对的数据； FUnIE-GAN） 水下图像网：，，。 （配对数据； UGAN） UIEBD数据集：，，。 （水网） SQUID数据集： ，，。 （水下-HL） U-45：，。 （UDAE） RUIE基准：，纸张。 （RUIE-Net） 牙买加皇家港口：数据，纸张，代码。 （水甘） 虚拟潜望镜：数据，纸张。 颜色校正： 数据。 颜色恢复： 数据，纸张，代码。 TURBID数据：数据，纸张。 OceanDark数据集：数据，纸张。 SISR：单图像超分辨率 USR-248：数据，纸张，代码。 （用于2x，4x和8x训练； SRDRM，SRDRM-GAN） SESR：同时增强和超分辨率 UFO-120：数据，纸张，代码。 （用于2倍，3倍和4倍SESR和显着性预测；深度SESR） 图像分割 SUIM：数据
datasets:共享数据集以进行协作，测试和基准测试
05-10
CodeNeuro数据集 共享数据集以进行协作，测试和基准测试
SUIM：水下图像的语义分割：数据集和基准
02-10
资料库（IROS 2020） • •• • • SUIM数据集 用于自然水下图像的语义分割 1525张带注释的图像用于训练/验证，110个样本用于测试 BW ：背景/水体• HD ：潜水员• PF ：水生植物和海草• WR ：残骸/废墟 RO ：机器人/仪器• RI ：礁石/无脊椎动物• FV ：鱼类和脊椎动物• SR ：海底/岩石 SUIM-Net模型 全卷积编码器-解码器网络 SUIM-Net（RSB）：简单轻巧的模型； 快速提供合理的性能 SUIM-Net（VGG）：提供更好的泛化性能 详细的体系结构在; 还提供了相关的培训/测试脚本 脚本用于性能评估 基准评估 语义分割和显着性预测的性能分析 SOTA车型比较：• • • • • 指标：•区域相似度（F得分）和•轮廓精度（mIOU） 下载实验数据和检查点数据 书目录入 @inproceedings{islam2020s
RUIE水下图像数据集
01-08
水下图像数据集Realworld-Underwater-Image-Enhancement-RUIE-Benchma，可以参考博文从github下载，此资源仅作备用下载
彩色补偿的matlab代码-Awesome-Underwater-Image-Enhancement:一组很棒的水下图像增强方法
05-23
彩色补偿的matlab代码很棒的水下图像增强 作者：李玉峰，黄玉峰 1说明 很棒的水下图像增强方法的集合。 维护论文，代码和数据集。 2相关工作 2.1数据集 U45 [] EUVP [] DUIE [] UIEB [] UWCNN [] 涡轮[] Uw-imagenet [] MHL，牙买加领域[] 2.2论文 2020年 Marques等人的L2UWE：使用局部对比度和多尺度融合有效增强弱光水下图像的框架。 [] [] Zhou等，基于物理模型反馈的水下图像领域自适应对抗学习。 [][代码] Marques等人的L2UWE：使用局部对比度和多尺度融合有效增强弱光水下图像的框架。 [] [] Islam等人，《快速水下图像增强功能可改善视觉感知》。 [] [] 2019年 Anwar等人，“深入研究水下图像增强功能：一项调查”。 [] [] Li等人，《水下图像增强基准数据集及其他》。 [] [] Roznere等人，水下机器人基于模型的实时图像色彩校正。 [] [] Jamadandi等人的“基于样例的水下图像增强技术”通过小波校正变换进行了增强。 [] [] Song等人，“利用
qeihiu.zip_underwater image
07-14
中介真值程度度量，基于中介真值程度度量的图像分割包括轨道机动仿真、初轨计算,基于chebyshev的水声信号分析。
公开数据集（VPR、深度学习训练等）：具有光照变化、视点变化、标签、辅助信息（GPS、IMU）
qq_41734114的博客
12-07 588
公开数据集介绍和链接
Shallow-UWnet：水下图像增强新网络 2021年1月AAAI顶会论文
紫芝的博客
01-20 3787
Shallow-UWnet：水下图像增强新网络，该体系结构可保持性能，并具有比最新模型更少的参数，表现SOTA！由于Deep SESR、WaterNet等，作者单位：马萨诸塞大学阿默斯特分校 下载地址：https://arxiv.org/abs/2101.02073 Shallow-UWnet: Compressed models for underwater image enhancementAbstractIntroductionBackground Abstract 在过去的数十年里，由于水下图像.
color balance and fusion for underwater image enhancement
03-16
色彩平衡和融合是用于水下图像增强的两种常见技术。 色彩平衡是调整图像中红、绿、蓝三个通道的颜色强度，使它们达到一个适合的比例，从而提高图像的色彩平衡度。在水下环境中，由于光线的折射和散射等原因，水下图像的颜色往往会偏蓝或绿色，通过色彩平衡技术可以有效地消除这种色差，让图像看起来更加真实。 融合技术则是将多张拍摄同一场景的图像合并，从而获得更多的细节和信息。在水下环境中，由于光线的不足和散射等原因，单张图像往往难以捕捉到场景的所有细节和色彩，通过融合多张图像，可以得到更加清晰、真实的图像。 色彩平衡和融合技术常常结合使用，可以提高水下图像的质量和可视化效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值