通过学习水型去敏感表征进行水下图像增强
计算机视觉与模式识别
2022-03-15 v2 图像与视频处理
摘要
我们提出一种新颖的水下图像增强方法 SCNet，以在改善图像质量的同时应对由水体引起的退化多样性。SCNet 基于空间与通道维度上的归一化方案，其关键思想为学习水型去敏感特征。具体而言，我们对小批量中每个样本沿空间维度应用白化以解相关激活。我们还通过标准化并重新注入通道间激活的前两阶矩来消除通道间相关性。空间与通道维度的归一化方案在 U-Net 的每一尺度上执行以获得多尺度表征。借助此类与水型无关的编码，解码器可轻松重建干净信号且不受失真类型影响。在两个真实世界水下图像数据集上的实验结果表明，我们的方法能成功增强具有多样水型的图像，并在视觉质量提升上取得有竞争力的性能。
引用
@article{arxiv.2102.00676,
title = {Underwater Image Enhancement via Learning Water Type Desensitized Representations},
author = {Zhenqi Fu and Xiaopeng Lin and Wu Wang and Yue Huang and Xinghao Ding},
journal= {arXiv preprint arXiv:2102.00676},
year = {2022}
}