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
-
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。 -
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。
-
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。
-
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。