MuLA-GAN：用于增强水下能见度的多级注意力生成对抗网络
计算机视觉与模式识别
2023-12-27 v1 图像与视频处理
摘要
水下环境带来了独特的挑战，包括颜色失真、对比度降低和模糊，阻碍了准确分析。在这项工作中，我们引入了MuLA-GAN，一种新颖的方法，利用生成对抗网络（GAN）和多级注意力机制的协同力量进行全面的水下图像增强。在GAN架构中集成多级注意力显著增强了模型学习对精确图像恢复至关重要的判别特征的能力。通过选择性地关注相关的空间和多级特征，我们的模型在捕捉和保留水下图像中的复杂细节方面表现出色，这对于各种应用至关重要。在多个数据集（包括UIEB测试数据集、UIEB挑战数据集、U45和UCCS数据集）上进行的大量定性和定量分析表明，MuLA-GAN与现有最先进方法相比具有优越性能。在针对生物污损和水产养殖应用定制的专门数据集上的实验评估证明了该模型在挑战性环境条件下的鲁棒性。在UIEB测试数据集上，MuLA-GAN取得了优异的PSNR（25.59）和SSIM（0.893）分数，超过了第二好的模型Water-Net（分别为24.36和0.885）。这项工作不仅填补了水下图像增强领域的一个重要研究空白，而且强调了多级注意力在增强GAN方面的关键作用，为恢复水下图像质量提供了一个新颖而全面的框架。
引用
@article{arxiv.2312.15633,
title = {MuLA-GAN: Multi-Level Attention GAN for Enhanced Underwater Visibility},
author = {Ahsan Baidar Bakht and Zikai Jia and Muhayy ud Din and Waseem Akram and Lyes Saad Soud and Lakmal Seneviratne and Defu Lin and Shaoming He and Irfan Hussain},
journal= {arXiv preprint arXiv:2312.15633},
year = {2023}
}