RAUNE-Net：一种残差与注意力驱动的水下图像增强方法
计算机视觉与模式识别
2023-11-02 v1 图像与视频处理
摘要
水下图像增强（UIE）因水下环境的独特性质而具挑战性，包括低对比度、高浊度、视觉模糊和颜色失真。近年来，深度学习的应用悄然革新了包括 UIE 在内的多个科研领域。然而，现有基于深度学习的 UIE 方法普遍存在鲁棒性弱和适应性有限的问题。本文受残差与注意力机制启发，通过在网络瓶颈处对高层特征进行残差学习，并在下采样过程中进行两方面的注意力操作，提出了一种更可靠、更合理的 UIE 网络，称为 RAUNE-Net。此外，我们收集并创建了两个专用于评估 UIE 方法的数据集，其包含不同类型的水下畸变与退化。实验验证表明，与其他八种 UIE 方法相比，我们的方法在各种真实水下图像上获得了良好的客观性能与一致的视觉效果。我们的示例代码与数据集公开于 https://github.com/fansuregrin/RAUNE-Net。
引用
@article{arxiv.2311.00246,
title = {RAUNE-Net: A Residual and Attention-Driven Underwater Image Enhancement Method},
author = {Wangzhen Peng and Chenghao Zhou and Runze Hu and Jingchao Cao and Yutao Liu},
journal= {arXiv preprint arXiv:2311.00246},
year = {2023}
}