《An Imaging Information Estimation Network forUnderwater Image Color Restoration》（UICRN）

sociiit

已于 2022-03-07 18:31:21 修改

阅读量264

点赞数

文章标签：深度学习

于 2022-02-27 15:28:50 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_54892004/article/details/123163291

版权

该文提出了水下图像的生成方法和UICRN网络，用于水下图像复原。UICRN包含一个密集网编码器和四个解码器，分别估计光衰减、散射和模糊参数。训练过程分为预热和逐步训练阶段。实验在多种数据集上进行，使用UIQM、PSNR和色块评价指标。该方法的优点在于对不同水体的建模能力，但需要成对的训练数据且网络复杂。

摘要由CSDN通过智能技术生成

IEEE JOURNAL OF OCEANIC ENGINEERING, VOL. 46, NO. 4, OCTOBER 2021

一.contributions

1.提出了水下图像的生成方法，生了一个包含两万对的数据集

2.水下图像复原网络（UICRN）

二.UICRN

1.模型

$I_{c}$ ：水下图像， $J_{c}$ :自然图像，三个需要估计的参数： $B_{c}^{\infty }$ , $T_{c}^{D}$ , $T_{c}^{B}$ .

2.网络

一个编码器，四个解码器：

encoder: dense net

decoder:密集残差块RDB,过度上采样块TUB,注意力模块AM

RDB

TUB

Decoder $T_{c}^{D}$ :估计参数 $T_{c}^{D}$ ，光的衰减

Decoder $T_{c}^{B}$ ：估计参数, $T_{c}^{B}$ ，散射和模糊

Decoder $B_{c}^{\infty }$ ：估计参数 $B_{c}^{\infty }$

Decoder $J_{c}$ :直接输出预测的自然图像，引导三个解码器重建图像。

AM

Bridge：TUB，DB

3.损失函数：

MSE：

y:自然图像（地面真值）， $\tilde{y}$ :预测值

MS-SSIM ：保存结构化的信息：

整体loss fuction:

4.训练：

1.预热网络

$J_{c}$ ：由输入的I和解码器估计的网络参数代入

得出，损失函数只用MSE

2.

$J_{c}$ 同第一步，训练三个解码器

$\tilde{J_{c}^{d}}$ ：由decoder $\tilde{J}$ 直接预测的自然图像,只训练一个解码器

$I_{R}$ : 由输出的 $\tilde{J_{c}^{d}}$ ，估计的三个参数，代入得出重建的水下图像，训练四个解码器。

三.结果与评价：

1.三种数据集测试：中国南海两种数据集，开放水下数据集

2.评价指标：UIQM， $\Delta C$ ， $\Delta E$ 色块评价指标

3.优点与不足：

1）针对不同水体类型建模，提高泛化性和复原效果。

2）有监督的学习，需要成对的训练集。

3）网络复杂，参数多。

参考去雾文章《Dense Scene Information Estimation Network for Dehazing》

2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。