SINET：基于稀疏性驱动的可解释神经网络用于水下图像增强
计算机视觉与模式识别
2025-03-18 v2 图像与视频处理
摘要
改善水下图像质量对于推动海洋研究和技术发展至关重要。本文介绍了一种稀疏性驱动的可解释神经网络（SINET）用于水下图像增强（UIE）任务。不同于纯深度学习方法，我们的网络架构基于一种新颖的通道特定卷积稀疏编码（CCSC）模型，确保了底层图像增强过程的良好可解释性。SINET的关键特征是从三个颜色通道中估计显著特征，使用三个稀疏特征估计块（SFEBs）。SFEB的架构设计通过展开求解 正则化卷积稀疏编码（CSC）问题的迭代算法来实现。我们的实验表明，SINET以PSNR值提高了 dB，同时计算复杂度降低了 倍。代码可在 https://github.com/gargi884/SINET-UIE/tree/main 查找。
引用
@article{arxiv.2409.01022,
title = {SINET: Sparsity-driven Interpretable Neural Network for Underwater Image Enhancement},
author = {Gargi Panda and Soumitra Kundu and Saumik Bhattacharya and Aurobinda Routray},
journal= {arXiv preprint arXiv:2409.01022},
year = {2025}
}
备注
ICASSP 2025