DeepSeeColor：基于深度学习方法的自主水下航行器实时自适应颜色校正
计算机视觉与模式识别
2023-03-08 v1 机器人学
摘要
复杂的基于视觉的水下行为应用一直滞后于地面和空中领域的进展。这主要归因于水下图像形成所涉及的物理现象导致的图像质量退化。光谱选择性光衰减从水下图像中抽离某些颜色，而后向散射又添加其他颜色，使得在水下执行基于视觉的任务具有挑战性。最先进的水下颜色校正方法通过优化图像形成模型的参数来恢复水下图像的完整色谱。然而，这些方法计算复杂度高，不利于自主水下航行器（AUVs）的实时使用，因为它们主要是为离线颜色校正而设计的。在此，我们提出 DeepSeeColor，一种将最先进的水下图像形成模型与深度学习框架的计算效率相结合的新型算法。在我们的实验中，我们表明 DeepSeeColor 提供了与流行的“Sea-Thru”算法（Akkaynak & Treibitz, 2019）相当的性能，同时能够以高达 60Hz 的速度快速处理图像，从而使其适合作为 AUVs 上的预处理步骤，以实现更鲁棒的基于视觉的行为。
引用
@article{arxiv.2303.04025,
title = {DeepSeeColor: Realtime Adaptive Color Correction for Autonomous Underwater Vehicles via Deep Learning Methods},
author = {Stewart Jamieson and Jonathan P. How and Yogesh Girdhar},
journal= {arXiv preprint arXiv:2303.04025},
year = {2023}
}
备注
7 pages, 5 figures, 2 tables. Presented at the 2023 International Conference on Robotics and Automation (ICRA)