利用多分辨率与多尺度注意力进行水下图像修复
计算机视觉与模式识别
2024-08-20 v1 图像与视频处理
摘要
水下图像常受色彩失真和低对比度等因素影响，给高级视觉任务带来挑战。最近的水下图像修复（UIR）方法要么在全分辨率下分析输入图像，从而获得空间丰富性但上下文薄弱，要么从高到低分辨率逐步处理，产生可靠的语义信息但空间精度降低。这里，我们提出一个轻量级多阶段网络 Lit-Net，专注于多分辨率和多尺度图像分析以修复水下图像，同时在第一阶段保留原始分辨率，第二阶段细化特征，最后阶段专注于重建。我们新颖的编码器模块利用并行的 卷积层来捕获局部信息并加速操作。此外，我们引入了一种改进的加权颜色通道特异性 损失（）函数以恢复颜色和细节信息。在公开可用数据集上的大量实验表明我们的模型优于近期最先进方法，在定性和定量指标上均有显著提升，例如在 EUVP 数据集上 PSNR 提升 dB（ 提升）和 SSIM 提升 （ 提升）。Lit-Net 的贡献为水下图像增强和超分辨率提供了一种更鲁棒的方法，这对水下自主车辆和监控具有重要意义。代码可在 https://github.com/Alik033/Lit-Net 获取。
引用
@article{arxiv.2408.09912,
title = {Harnessing Multi-resolution and Multi-scale Attention for Underwater Image Restoration},
author = {Alik Pramanick and Arijit Sur and V. Vijaya Saradhi},
journal= {arXiv preprint arXiv:2408.09912},
year = {2024}
}