基于域对抗学习的全能水下图像增强
计算机视觉与模式识别
2019-06-03 v1
摘要
原始水下图像由于波长相关的光衰减和散射而退化，限制了其在视觉系统中的适用性。另一个使水下图像增强尤为困难的因素是拍摄水体的多样性。例如，在深海大洋水中捕获的图像与在浅海岸水中捕获的图像具有不同的分布。这种多样性使得训练单一模型来增强水下图像变得困难。在本工作中，我们提出了一种新颖的模型，通过对图像内容特征进行对抗性学习，并将对应于水体类型（视为不同域）的不必要干扰解耦，从而很好地处理增强过程中的水体多样性。我们利用学习到的域不可知特征来生成增强的水下图像。我们在由10种 Jerlov 水体类型的图像组成的数据集上训练模型。实验结果表明，所提模型不仅在几乎所有 Jerlov 水体类型的 SSIM 和 PSNR 分数上优于先前方法，而且在真实世界数据集上也具有良好的泛化能力。使用我们模型的增强图像，高层视觉任务（目标检测）的性能也显示出提升。
引用
@article{arxiv.1905.13342,
title = {All-In-One Underwater Image Enhancement using Domain-Adversarial Learning},
author = {Pritish Uplavikar and Zhenyu Wu and Zhangyang Wang},
journal= {arXiv preprint arXiv:1905.13342},
year = {2019}
}