特征注意力网络（FA-Net）：一种基于深度学习的水下单图像增强方法
计算机视觉与模式识别
2023-08-31 v1 图像与视频处理
摘要
近年来，随着对水下监测与海洋资源利用的日益重视，水下图像处理与分析成为研究热点。相较于开放环境，水下图像面临光吸收、散射、湍流、非均匀光照与颜色扩散等更复杂状况。尽管在解决这些问题上取得了可观进展与增强技术，它们在整个通道上对低频信息同等对待，限制了网络的表征能力。我们提出一种基于深度学习与特征注意力的端到端网络（FA-Net）以解决该问题。具体地，我们提出残差特征注意力块（RFAB），包含通道注意力、像素注意力以及具有长短跳跃连接的残差学习机制。RFAB 使网络专注于在多跳连接上学习高频信息而跳过低频信息。通道与像素注意力机制考虑了各通道的不同特征以及图像中不同像素上雾霾的不均匀分布。实验结果表明，我们提出的 FA-Net 在定量与定性上均比先前 SOTA 方法具有更高精度与优越性。
引用
@article{arxiv.2308.15868,
title = {Feature Attention Network (FA-Net): A Deep-Learning Based Approach for Underwater Single Image Enhancement},
author = {Muhammad Hamza and Ammar Hawbani and Sami Ul Rehman and Xingfu Wang and Liang Zhao},
journal= {arXiv preprint arXiv:2308.15868},
year = {2023}
}
备注
Fourteenth International Conference on Digital Image Processing (ICDIP 2022), 2022, Wuhan, China, May 20-23, 2022.8 pages.5 Figures.doi: 10.1117/12.2644516