PDCFNet：通过像素差卷积增强水下图像
计算机视觉与模式识别
2024-10-01 v1
摘要
大多数深度学习方法利用普通卷积来增强水下图像。虽然普通卷积在捕获局部特征和学习图像的空间层次结构方面表现出色，但它往往会平滑输入图像，这在某种程度上会限制特征表达和建模。水下退化图像的一个显著特征是模糊，而增强的目标是使图像中的纹理和细节（高频特征）更加可见。因此，我们认为利用高频特征可以提高增强性能。为此，我们引入了像素差卷积（PDC），它关注图像中具有显著变化的梯度信息，从而改善增强图像的建模。我们提出了一种基于 PDC 和跨层特征融合的水下图像增强网络 PDCFNet。具体而言，我们设计了一个基于 PDC 的细节增强模块，该模块采用并行 PDC 来捕获高频特征，从而实现更好的细节和纹理增强。设计的跨层特征融合模块对不同层级的特征执行拼接和乘法等操作，确保不同特征之间充分的交互和增强。我们提出的 PDCFNet 在 UIEB 数据集上实现了 27.37 的 PSNR 和 92.02 的 SSIM，达到了迄今为止的最佳性能。我们的代码可在 https://github.com/zhangsong1213/PDCFNet 获取。
引用
@article{arxiv.2409.19269,
title = {PDCFNet: Enhancing Underwater Images through Pixel Difference Convolution},
author = {Song Zhang and Daoliang Li and Ran Zhao},
journal= {arXiv preprint arXiv:2409.19269},
year = {2024}
}