MetaUE：基于模型的元学习用于水下图像增强
计算机视觉与模式识别
2023-03-14 v1 图像与视频处理
摘要
水下图像复原的难点在于存在多种退化因素且缺乏真值图像。尽管使用合成水下图像对可克服观测数据不足的问题，但可能导致过拟合与增强退化。本文提出一种基于模型的深度学习方法，用于在各种水下场景中复原清晰图像，其具备良好的可解释性与泛化能力。更具体地，我们建立多变量卷积神经网络模型，分别估计清晰图像、背景光与透射率图。还设计了高效损失函数，基于水下图像模型将各变量紧密耦合。采用元学习策略在合成水下数据集上获得预训练模型，该数据集包含不同类型退化以覆盖多样水下环境。随后在真实水下数据集上微调该预训练模型，得到可靠的水下图像增强模型，称为MetaUE。数值实验表明，预训练模型具有良好的泛化能力，能够去除蓝、绿、黄等各类水下衰减图像的颜色退化。微调使模型适应不同水下数据集，其增强结果优于当前最优（SOTA）的水下图像复原方法。我们的所有代码与数据见 \url{https://github.com/Duanlab123/MetaUE}。
引用
@article{arxiv.2303.06543,
title = {MetaUE: Model-based Meta-learning for Underwater Image Enhancement},
author = {Zhenwei Zhang and Haorui Yan and Ke Tang and Yuping Duan},
journal= {arXiv preprint arXiv:2303.06543},
year = {2023}
}