基于内容与风格分离的水下图像增强域自适应方法
计算机视觉与模式识别
2022-08-30 v2
摘要
由于光吸收、折射和散射，水下图像存在色偏、低对比度和雾效，降低了目标检测和目标跟踪等高层应用性能。近期基于学习的方法在水下图像增强上展现出惊人性能，然而大多数工作使用合成成对数据进行监督学习，忽略了与真实世界数据的域差距。为解决该问题，我们提出了一种基于内容与风格分离的水下图像增强域自适应框架；不同于以往面向水下图像增强的域自适应工作旨在最小化合成与真实世界数据的潜在差异，我们旨在将编码特征分离为内容潜在与风格潜在，并区分来自不同域（即合成域、真实世界水下域和干净域）的风格潜在，在潜在空间中进行域自适应与图像增强。通过潜在操作，我们的模型提供了用户交互界面以调节连续变化的不同增强级别。在多个公开真实世界水下基准上的实验表明，所提框架能够实现水下图像增强的域自适应，并在定量与定性上优于多种最先进的水下图像增强算法。模型与源代码将发布于 https://github.com/fordevoted/UIESS
引用
@article{arxiv.2202.08537,
title = {Domain Adaptation for Underwater Image Enhancement via Content and Style Separation},
author = {Yu-Wei Chen and Soo-Chang Pei},
journal= {arXiv preprint arXiv:2202.08537},
year = {2022}
}
备注
revised paper and add more description