基于卷积脉冲神经网络的水下图像增强
图像与视频处理
2025-03-27 v1 人工智能
性能
摘要
水下图像增强（UIE）是海洋应用中基础任务，包括自主基于视觉的导航。深度学习方法使用卷积神经网络（CNN）和视觉转换器已推进了 UIE 性能。最近，脉冲神经网络（SNN）因其轻量级设计、能源效率和可扩展性而受到关注。本文引入 UIE-SNN，首个基于 SNN 的 UIE 算法，以提高水下图像的可见性。UIE-SNN 是一个 19 层卷积脉冲编码器-解码器框架，包含 skip 连接，直接使用基于替代梯度的通过时间反向传播（BPTT）策略进行训练。我们探讨并验证了训练数据集对能源减少的影响，这是 UIE-SNN 架构的独特优势，与传统学习架构不同，后者的能源消耗取决于模型。UIE-SNN 在潜在空间表示中优化损失函数，以重建清晰的水下图像。该算法在 PSNR 和结构相似性指数（SSIM）方面与其非脉冲对应方法持平，仅需 个时间步和 的能源消耗。算法在两个公开可用的基准数据集（UIEB 和 EUVP）上训练，在 UIEB、EUVP、LSUI、U45 和我们自定义的 UIE 数据集上的测试结果表明，UIE-SNN 在 UIEB 上实现 PSNR 为 ，SSIM 为 ，在 EUVP 上实现 PSNR 为 ，SSIM 为 。与其非脉冲对应方法（GFLOPs = ，能源=）相比，UIE-SNN 采用更少的算子（ GSOPs）和能源（）。与现有的 SOTA UIE 方法相比，UIE-SNN 在能源效率上平均提高了 。源代码可在 \href{https://github.com/vidya-rejul/UIE-SNN.git}{UIE-SNN} 上获取。
引用
@article{arxiv.2503.20485,
title = {Underwater Image Enhancement by Convolutional Spiking Neural Networks},
author = {Vidya Sudevan and Fakhreddine Zayer and Rizwana Kausar and Sajid Javed and Hamad Karki and Giulia De Masi and Jorge Dias},
journal= {arXiv preprint arXiv:2503.20485},
year = {2025}
}