水下图像增强（论文复现）

在人间负债^

已于 2024-11-15 17:36:32 修改

阅读量1.8k

点赞数 12

分类专栏：传知代码文章标签：深度学习人工智能神经网络 python 大模型

于 2024-11-15 17:00:58 首次发布

本文链接：https://blog.csdn.net/qq_52354698/article/details/143803187

版权

传知代码专栏收录该内容

40 篇文章

订阅专栏

水下图像增强（论文复现）

概述
一、论文思路
二、模型介绍：
三、实现方法
四、复现过程(重要)
部署方式
资源获取

本文所涉及所有资源均在[传知代码平台]可获取

概述

2021年11月，提出一种用于水下图像增强的U型Transformer模型，这是首次在水下图像增强任务中使用Transfomer模型，并且作者同时也发布了[《U-shape Transformer for Underwater Image Enhancement》]这篇文章。它主要针对水下图像增强任务，通过神经网络训练的方式，将模糊的，低分辨率的，对比度低的水下图像，转换成高清的、高分辨率的，对比度高的图像。并且作者也发布了一个大型的水下图像数据集LSUI，为后续在水下图像增强方向提供重要贡献。

一、论文思路

水下杂质的光吸收和散射导致水下成像质量差。现有的基于数据驱动的水下图像增强(UIE)技术缺乏包含各种水下场景和高保真参考图像的大规模数据集。此外，没有充分考虑不同颜色通道和空间区域的不一致衰减。为此，本文建立了大尺度水下图像(LSUI)数据集，并设计了U型Transformer。U型变压器集成了通道型多尺度特征融合变压器(CMSFFT)模块和针对UIE任务设计的空间型全局特征建模变压器(SGFMT)模块，增强了网络对衰减更严重的颜色通道和空间区域的关注。

二、模型介绍：

整体架构：包括基于 CMSFFT 和 SGFMT 的生成器和鉴别器。在生成器中，
(1) 编码：除了直接输入到网络之外，原始图像将分别进行3次下采样。然后经过11卷积后，将三个尺度特征图输入到对应的尺度卷积块中。四个卷积块的输出是CMSFFT和SGFMT的输入。
(2) 解码: 特征重新映射后，SGFMT输出直接发送到第一个卷积块。同时，4个卷积不同规模的区块将接收来自CMSFFT的四个输出。在判别器中，四个卷积块的输入包括：自身上层输出的特征图、来自解码部分的相应尺寸的特征图以及下采样到相应尺寸后通过11卷积生成的特征图使用参考图像。通过所描述的多尺度连接，梯度流可以在生成器和鉴别器之间在多个尺度上自由流动，从而可以获得稳定的训练过程，丰富生成图像的细节。
在这里插入图片描述

三、实现方法

1、SGFMT：用于替代生成器原来的瓶颈层，可以辅助网络对全局信息进行建模，并加强网络对严重退化部分的关注。具体流程大概为：输入特征图通过线性投影转化为一维序列然后嵌入位置编码进入Transformer层(每一个Transformer层包含一个多头注意力块(MHA)和一个前馈神经网络(FFN))，得到输出序列后通过特征映射转化为输出特征图。
在这里插入图片描述

2、CMSFFT: 为了加强网络对衰减更严重的颜色通道的关注，我们设计了CMSFFT块来代替原始生成器编码解码架构的跳跃连接，它由以下三个部分组成。
(1)、多尺度特征编码(Multi-Scale Feature Encoding)：输入是不同尺度的特征图, 直接应用于分区原始图像的线性投影不同，我们使用具有相关滤波器大小在不同尺度的特征图上进行线性投影。
(2)、通道方式多头注意力(CMHA)：CMHA 块有 6 个输入，其中 IN 表示实例规范化操作。这种注意力操作沿着通道轴而不是经典的补丁轴进行，可以引导网络关注图像质量下降更严重的通道。此外，在相似度图上使用IN来帮助梯度流顺利传播。
(3)、前馈网络（FFN）：与前向传播类似，包含多层感知机(MLP)和归一化层(LN)。
在这里插入图片描述

3、损失函数：为了利用LAB和LCH颜色空间更宽的色域表示范围以及更准确地描述颜色饱和度和亮度，我们设计了结合RGB、LAB和LCH颜色空间的多颜色空间损失函数来训练我们的网络。其中α、β、γ、μ为超参数，经过大量实验分别设置为0.001、1、0.1、100。后面的四个分别是生成器的损失函数它们是定义好的。
在这里插入图片描述