UIERL：用于水下图像增强的内外部表示学习网络
计算机视觉与模式识别
2023-06-16 v1
摘要
水下图像增强（UIE）是一项有意义但具挑战性的任务，近年来已提出许多基于学习的UIE方法。尽管取得了诸多进展，这些方法仍存在两个问题：（1）由于水下成像过程，单幅水下图像中存在显著的区域级质量差异，尤其在不同场景深度的区域。然而，现有方法忽视了水下图像的这一内部特性，导致性能不佳；（2）由于采集方式的独特性，水下图像采集工具通常会在相同或相似场景中捕获多幅图像。因此，实际使用中待增强的水下图像高度相关。然而，在处理单幅图像时，现有方法未考虑相关图像所提供的丰富外部信息。其性能仍有提升空间。受这两方面启发，我们提出一种新颖的内外部表示学习（UIERL）网络，以同时利用内部与外部信息更好地执行UIE任务。在内部表示学习阶段，设计了一种新的基于深度的区域特征引导网络，包括基于场景深度的区域分割以感知不同质量水平的区域，随后是区域级空间编码器模块。通过对不同质量的区域分别进行区域级特征学习，该网络为全局特征提供有效引导，从而引导图像内差异化增强。在外部表示学习阶段，我们首先提出外部信息提取网络以挖掘相关图像中的丰富外部信息。随后，内部与外部特征通过所提出的外部辅助内部模块与内部辅助外部模块相互交互。
引用
@article{arxiv.2306.08344,
title = {UIERL: Internal-External Representation Learning Network for Underwater Image Enhancement},
author = {Zhengyong Wang and Liquan Shen and Yihan Yu and Yuan Hui},
journal= {arXiv preprint arXiv:2306.08344},
year = {2023}
}