基于自学习策略与注意力机制的水下高光区域增强方法
图像与视频处理
2022-08-09 v1 计算机视觉与模式识别
摘要
水下活动获取的图像受水体环境特性（如浑浊度和光衰减）影响。这些现象导致色彩失真、模糊和对比度降低。此外，不规则的环境光分布引起色彩通道失衡以及高光像素区域。近期基于深度学习的水下图像增强相关工作通过生成合成真值来解决配对数据集的缺乏问题。本文提出一种基于深度学习的自监督水下图像增强学习方法，无需配对数据集。所提方法估计水下图像中存在的退化。此外，一个自编码器重建该图像，并利用估计的退化信息对其输出图像进行退化处理。因此，在训练阶段，该策略在损失函数中以退化版本替换输出图像。此过程“误导”神经网络学习补偿额外的退化。结果，重建图像成为输入图像的增强版本。同时，该算法引入注意力模块以减少由色彩通道失衡和离群区域在增强图像中生成的高光区域。此外，所提方法无需真值。且仅使用真实水下图像训练神经网络，结果表明该方法在色彩保持、色偏减少和对比度提升方面有效。
引用
@article{arxiv.2208.03319,
title = {Underwater enhancement based on a self-learning strategy and attention mechanism for high-intensity regions},
author = {Claudio D. Mello and Bryan U. Moreira and Paulo J. O. Evald and Paulo L. Drews and Silvia S. Botelho},
journal= {arXiv preprint arXiv:2208.03319},
year = {2022}
}