SGUIE-Net：基于语义注意力引导与多尺度感知的水下图像增强网络
图像与视频处理
2022-11-23 v1 计算机视觉与模式识别
摘要
由于波长相关的光衰减、折射和散射，水下图像通常存在色彩失真和细节模糊的问题。然而，由于具有无失真图像作为参考的成对水下图像数量有限，训练面向多种退化类型的数据驱动深度增强模型十分困难。为提升数据驱动方法的性能，建立更有效的学习机制以从有限的训练样本资源中挖掘更丰富的监督信息至关重要。本文提出一种新颖的水下图像增强网络 SGUIE-Net，其中引入语义信息作为跨不同图像的高级引导，这些图像共享共同的语义区域。据此，我们提出语义区域级增强模块，从多尺度感知不同语义区域的退化情况，并将其反馈至从其原始尺度提取的全局注意力特征中。该策略有助于对不同语义对象实现鲁棒且视觉愉悦的增强效果，这应归功于语义信息对差异化增强的引导。更重要的是，对于训练样本分布中不常见的退化类型，该引导依据语义相关性将其与已充分学习的类型建立联系。在公开数据集及我们提出的数据集上的大量实验证明了 SGUIE-Net 的优异性能。代码与所提数据集见：https://trentqq.github.io/SGUIE-Net.html
引用
@article{arxiv.2201.02832,
title = {SGUIE-Net: Semantic Attention Guided Underwater Image Enhancement with Multi-Scale Perception},
author = {Qi Qi and Kunqian Li and Haiyong Zheng and Xiang Gao and Guojia Hou and Kun Sun},
journal= {arXiv preprint arXiv:2201.02832},
year = {2022}
}