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。
    浅滩
    蓝色
    阴影
    绿色

  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。
    UCIQE/UIQM效果图
    UICIQE/UIQM
    MSE/PSNR/SSIM
    (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。
    阴影
    绿色
    蓝色
    浅滩
    (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。
    运行时长测试

  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。
    DUIENet

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。

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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