An Underwater Image Enhancement Benchmark Dataset and Beyond

论文原文：https://arxiv.org/abs/1901.05495v1
这是一篇发布在IEEE TRANSACTIONS ON IMAGE PROCESSING 2019
开源代码：https://github.com/Li-Chongyi/Water-Net_Code

The main contributions

1、构建了一个具有950张水下图片的数据集UIEBD，包含各个水下场景，以及水下各种特征退化(光线不足、雾)的情况，其中890张给出了对应的高质量参考图(由12种水下图片增强算法给出结果，由50个志愿者选择出最满意的一张)，剩下60张，志愿者有一半都对增强后的效果不太满意，因此这60张则作为有挑战的图片。
2、用数据集UIEBD对12种现阶段主流的水下图片增强算法进行评测和验证。
3、提出了一种基于fusion的水下图片增强模型DUIENet；

4种类型的水下图片增强办法：

Supplementary information-based methods
Non-physical model-based methods 修改图像像素值，提高视觉质量。
Physical model-based methods

Data-driven methods

本文提出的基准数据库 UIEBD

在系统回顾前人工作的基础上，我们发现当前水下图像增强领域存在的主要问题是缺少一个具有参考图像的大型真实世界水下图像数据集。接下来，我们将详细介绍所构建的数据集，包括数据收集和参考图像生成。

UIEBD达到了三个目的：
1、水下场景多，各种特征的质量退化都有；
2、各种特征的质量退化图片数多；
3、具有相对退化图片的高质量图片；

这些图像具有明显的水下图像质量劣化特征(如颜色强制转换、对比度降低、细节模糊等)，拍摄的水下场景具有多样性。
需要产生相对应的高质量参考图片来达到第三个目的
因此，本文提出了一种高质量参考图像生成方法。

高质量参考图像生成方法

本文对比了十二种水下图片增强方法：

结果中参考图像的百分比不同的方法。

综上所述，基于fusion的[29]方法在各种水下图像上都有较好的表现。在某些情况下，UDCP[35]倾向于在增强的结果上产生工件。其他比较方法在一定程度上是有效的。
在审查和评估了最新的水下技术之后图像增强方法，我们发现基于Fusion[29]在大多数情况下是表现最好的，而其他比较方法有明显的缺点。但是，没有一种方法可以在面对时总是取胜大规模的现实世界水下图像数据集（即UIEBD）。

本文提出的水下增强模型 DUIENet

尽管水下图像增强方法取得了显著的进展，但由于缺乏有效的训练数据和设计良好的水下图像增强网络结构，基于深度学习的水下图像增强模型的推广仍落后于传统的先进方法。基于所构建的UIEBD，我们提出了一种用于水下图像增强的CNN模型，称为DUIENet。提出的DUIENet作为基线的目的是为了呼吁基于深度学习的水下图像增强技术的发展，并论证其一般性

提出的DUIENet结构和参数设置如图10所示。作为一个基线模型，DUIENet是一个纯CNN。我们相信广泛使用的骨干结构，如U-Net体系结构[71]和残余网络体系结构[72]可以被纳入，以提高性能。

Conclusion

在本文中，我们构建了一个水下图像增强基准数据集，该数据集提供了大规模的退化水下图像和相应的参考图像。该基准数据集使我们能够全面研究现有的水下图像增强方法，并易于训练CNN进行水下图像增强。在定性和定量评估分析中，没有一种方法总是在全参考和无参考指标方面占上风。换句话说，水下图像增强还有很大的改进空间。此外，有效的非参考水下图像质量评价指标也是非常必要的。为了促进基于深度学习的水下图像增强方法的发展，我们提出了一种基于构造的数据集训练的水下图像增强CNN模型。实验结果表明，所提出的CNN模型与现有的训练方法相比具有良好的性能，同时也验证了所构建的训练CNN数据集的泛化性。在未来的工作中，我们将把所构建的数据集扩展到更具挑战性的水下图像和水下视频。此外，我们倾向于研究更有效的利用水下成像先验信息的水下图像增强CNN模型。