分离注意力：一种改进的基于Cycle GAN的水下图像增强方法

在本文中，我们提出了一种改进的基于Cycle GAN的水下图像增强模型。我们利用了最先进的Cycle GAN模型的循环一致性学习技术，并对损失函数进行了修改，引入了深度导向注意力，从而在保持全局内容、颜色、局部纹理和风格信息不变的情况下，增强了整体图像的对比度。我们在基准数据集——增强水下视觉感知（EUPV）数据集上，使用修改后的损失函数训练了Cycle GAN模型。该数据集是一个大型数据集，包含在海洋探索和人机协作研究中，使用七种不同相机在多种能见度条件下拍摄的成对和未成对的水下图像（质量差和好）。此外，我们进行了定性和定量评估，结果支持了所应用的技术，并提供了一个更好的水下图像对比度增强模型。更重要的是，增强后的图像比传统模型提供了更好的结果，并进一步适用于水下导航、姿态估计、显著性预测、目标检测和跟踪。结果验证了该模型在自主水下航行器（AUV）视觉导航中的适用性。