不确定性启发的 underwater 图像增强
计算机视觉与模式识别
2022-07-21 v1
摘要
基于深度学习的水下图像增强（UIE）所面临的一个主要挑战是难以获取真值高质量图像。现有多数方法先生成近似参考图，再以确定性方式训练增强网络。此类方法无法处理参考图的模糊性。本文中将UIE分解为分布估计与共识过程。我们提出一种新颖的概率网络来学习退化水下图像的增强分布。具体而言，我们将条件变分自编码器与自适应实例归一化相结合以构建增强分布。此后，我们采用共识过程基于从该分布中抽取的一组样本预测确定性结果。通过学习增强分布，我们的方法能在一定程度上应对参考图标注中引入的偏差。此外，共识过程有助于捕获鲁棒且稳定的结果。我们在两个广泛使用的真实世界水下图像增强数据集上检验了所提方法。实验结果表明，我们的方法能够对可能的增强预测进行采样。同时，共识估计相较于最先进的UIE方法取得了具竞争力的性能。代码见 https://github.com/zhenqifu/PUIE-Net。
引用
@article{arxiv.2207.09689,
title = {Uncertainty Inspired Underwater Image Enhancement},
author = {Zhenqi Fu and Wu Wang and Yue Huang and Xinghao Ding and Kai-Kuang Ma},
journal= {arXiv preprint arXiv:2207.09689},
year = {2022}
}