CARNet：面向鲁棒水下图像增强与感知的协同对抗韧性网络
计算机视觉与模式识别
2025-03-18 v2
摘要
由于水体环境中不同光波长吸收不均，水下图像存在能见度低和明显色偏的问题。随着自主水下航行器的发展，基于学习的水下增强算法得到了广泛研究。这些工作能够生成视觉上令人满意的增强图像，并缓解退化图像对后续感知任务的不利影响。然而，基于学习的方法易受对抗攻击固有脆弱性的影响，导致增强结果出现严重失真。在本工作中，我们提出一种称为 CARNet 的协同对抗韧性网络，用于水下图像增强及后续检测任务。具体而言，我们首先引入具有强扰动感知能力的可逆网络，从水下图像中隔离攻击，防止其对视觉质量增强与感知任务造成干扰。此外，引入攻击模式判别器以自适应识别并消除各类攻击。另外，我们提出一种双层攻击优化策略，在视觉驱动与感知驱动攻击的协同对抗训练下，提升网络针对不同攻击类型的鲁棒性。大量实验表明，所提方法输出的增强图像视觉美观，且检测 mAP 平均比最先进方法高出 6.71%。
引用
@article{arxiv.2309.01102,
title = {CARNet: Collaborative Adversarial Resilience for Robust Underwater Image Enhancement and Perception},
author = {Zengxi Zhang and Zeru Shi and Zhiying Jiang and Jinyuan Liu},
journal= {arXiv preprint arXiv:2309.01102},
year = {2025}
}
备注
13 pages, 13 figures