PUGAN：基于物理模型引导与双判别器的 GAN 水下图像增强方法
图像与视频处理
2024-12-20 v2 计算机视觉与模式识别
摘要
由于水介质引起的光吸收和散射，水下图像通常存在低对比度、色彩失真和细节模糊等退化问题，加剧了下游水下理解任务的难度。因此，如何获得清晰且视觉愉悦的图像已成为人们的共同关注，水下图像增强 (UIE) 任务也应运而生。在现有 UIE 方法中，基于生成对抗网络 (GAN) 的方法在视觉美感上表现良好，而基于物理模型的方法具有更好的场景适应性。继承上述两类模型的优点，本文提出一种用于 UIE 的物理模型引导 GAN 模型，称为 PUGAN。整个网络基于 GAN 架构。一方面，我们设计参数估计子网络 (Par-subnet) 以学习物理模型反演的参数，并将生成的色彩增强图像作为双流交互增强子网络 (TSIE-subnet) 的辅助信息。同时，我们在 TSIE-subnet 中设计退化量化 (DQ) 模块以量化场景退化，从而实现对关键区域的强化增强。另一方面，我们设计双判别器用于风格-内容对抗约束，提升结果的真实性与视觉美感。在三个基准数据集上的大量实验表明，我们的 PUGAN 在定性与定量指标上均优于最先进的方法。
引用
@article{arxiv.2306.08918,
title = {PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators},
author = {Runmin Cong and Wenyu Yang and Wei Zhang and Chongyi Li and Chun-Le Guo and Qingming Huang and Sam Kwong},
journal= {arXiv preprint arXiv:2306.08918},
year = {2024}
}
备注
8 pages, 4 figures, Accepted by IEEE Transactions on Image Processing 2023