双重混合：一种基于排序学习的水下图像增强质量评估方法
计算机视觉与模式识别
2021-02-02 v1
摘要
为提升水下图像质量，过去几年中提出了多种水下图像增强（UIE）算子。然而，缺乏有效的客观评价方法限制了 UIE 技术的进一步发展。本文提出一种新颖的由排序学习引导的无参考质量评估方法用于 UIE。我们的方法称为 Twice Mixing（双重混合），其动机源于如下观察：将一幅高质量图像与其低质量版本相混合可生成一幅中等质量图像。典型的 mixup 算法对给定的一对输入数据进行线性插值。然而，人类视觉系统在处理图像时具有非均匀与非线性特性。因此，我们没有直接基于混合图像及其由线性组合计算得到的绝对分数训练深度神经网络，而是提出训练一个 Siamese Network（孪生网络）来学习其质量排序。Twice Mixing 基于精心设计的自监督机制进行训练。具体而言，在每次迭代前，我们随机生成两个混合比例，用于生成虚拟图像并指导网络训练。在测试阶段，提取网络的单分支来预测不同 UIE 输出的质量排序。我们在合成与真实世界数据集上进行了大量实验。实验结果表明，我们的方法显著优于以往方法。
引用
@article{arxiv.2102.00670,
title = {Twice Mixing: A Rank Learning based Quality Assessment Approach for Underwater Image Enhancement},
author = {Zhenqi Fu and Xueyang Fu and Yue Huang and Xinghao Ding},
journal= {arXiv preprint arXiv:2102.00670},
year = {2021}
}