用于鲁棒无监督水下图像增强的自适应深度学习框架

基于深度学习的水下图像增强的主要挑战之一是高质量训练数据的有限可用性。水下图像难以捕获，并且由于水中颜色和对比度的失真与损失，通常质量较差。这使得在大型多样化数据集上训练有监督深度学习模型变得困难，从而可能限制模型的性能。在本文中，我们探索了一种替代有监督水下图像增强的方法。具体来说，我们提出了一种新颖的无监督水下图像增强框架，该框架采用条件变分自编码器 (cVAE) 来训练一个具有概率自适应实例归一化 (PAdaIN) 和统计引导的多颜色空间拉伸的深度学习模型，以生成逼真的水下图像。由此产生的框架由一个作为特征提取器的 U-Net 和一个用于编码不确定性的 PAdaIN 组成，我们称之为 UDnet。为了改善 UDnet 生成图像的视觉质量，我们使用了一个统计引导的多颜色空间拉伸模块，该模块确保了与输入图像的视觉一致性，并提供了使用真实图像进行训练的替代方案。所提出的模型不需要人工标注，可以用有限的数据量进行学习，并在水下图像上取得了最先进的结果。我们在八个公开可用的数据集上评估了我们提出的框架。结果表明，我们提出的框架在定量和定性指标上，与其他最先进的方法相比，均展现出具有竞争力的性能。代码可在 https://github.com/alzayats/UDnet 获取。