《Fast Underwater Image Enhancement forImproved Visual Perception》论文总结（FUnIE-GAN）

IEEE ROBOTICS AND AUTOMATION LETTERS, VOL. 5, NO. 2, APRIL 2020

一.contribution

1.EUVP数据集的生成：

paired:12K,用cyclegan学习映射，通过unpaired数据集生成

unpaired:8K，人类视觉感知挑选

总结：含有丰富的水体类型，增强模型泛化性，目标为感知图像增强，故不需要建立水体退化模型，不需要水体属性等参数，只需增强后的图像满足视觉感知特点。

2.FUnIE-GAN的提出

二.FUnIE-GAN

1.网络结构

 pix2pix

生成器：Unet结构，采用全卷积网络，无全连接层，编码解码器各五个卷积层，解码器用反卷 积，中间跳跃连接，

判别器 ： patchGAN,输出16*16的一维矩阵，寻求局部纹理和内容的相似性，而不是在全局上寻求相似度。

 2.目标函数

有监督的：

1) cGAN

2) L1损失，寻求全局相似性，去模糊

3） 内容相似损失，定义为预先训练的VGG-19网络的block5_conv2层提取的高级特征。

 

无监督的:

循环一致损失：X经过GF到Y，再输入到GR重建回X ,预测值X与真值X求损失；Y同样，

因为没有配对的实例，故不能用L1loss来监督unpaired样本，而是循环一致损失函数来完成两个域的转化

总体loss：

 三.结果评估

定性：视觉感知

定量：峰值信噪比（PSNR）

           结构相似度（SSIM）

           UIQM

四，总结

监督学习和无监督学习两种方法，即pix2pix和cycle ,主要贡献是提出了个损失函数，考虑全局相似度和内容一致性。