An Underwater Image Enhancement Benchmark Dataset and Beyong

1.论文地址

链接：https://pan.baidu.com/s/1EVDKTYQbpBoj7ae4Uq4kxw
提取码：kamc
–来自百度网盘超级会员V3的分享

2.代码地址

https://github.com/Li-Chongyi/Water-Net_Code
仅包含了文中所提出的网络结构，没有其他的算法复现

3.文章内容

1. 主要贡献
   （1）创建了一个真实场景的数据集UIEBD，包含950张水下图像，其中890张带有清晰图片，60张用于测试的图片。
   （2）从数量和质量层次，对九种图像恢复手段进行了测试与总结。
   （3）基于该数据集，构造了一个基于CNN的模型DUIENet，用于恢复水下图像。

2. 数据集介绍
   （1）有多样化的水下场景，不同程度的特征退化，图片包含较多信息
   （2）数据集数量大
   （3）可以提供对应的清晰图像
   （4）可分为四类：绿色背景，蓝色背景，浅滩背景，阴影背景。如下图所示。
   
   
   
   

3. 算法评估
   （1）测试算法：Fusion-based；Histogram Prior；Regression-based；Blurriness-based；GDCP；UCDP；Retinex-based；Two-step-based；Red Channel
   （2）质量测试：从带标签和不带标签这两个角度评价，前者使用MSE、PSNR、SSIM，后者使用UCIQE和UIQM。结果如下图所示。但是作者发现，在真实的数据集中，UCIQE和UIQM得到的分数较高的图片的效果并不好，推断是因为这两种方法的评分可能是基于部分特征，而不是整张图片，而且也不能将色移加入到评分中。
   
   
   
   （3）效果测试：如下图所示，在四种不同的图像背景下进行测试。
   
   
   
   
   （4）推理时间测试：如下表所示。测试是在i7-6700上进行的，32GB的RAM。
   

4. DUIENet
   （1）提出了一种基于CNN的模型，但是并不是本文的重点，所以很粗略的介绍下就行。模型如下图所示，采用多个特征融合模块，在数据输入前，对数据进行白平衡、直方图评估、γ关联这三种方法来实现数据增强。效果挺不错的，就不放图了。
   

4.总结

创建了一个真实场景的水下数据集；构造了一个基于CNN的水下图像恢复模型。