基于级联对比学习的水下图像增强
计算机视觉与模式识别
2024-11-19 v1
摘要
由于水下环境的复杂性和水下图像退化的多样性，水下图像增强（UIE）是一项极具挑战性的任务。得益于深度学习的应用，当前的 UIE 方法已取得显著进展。现有的大多数基于深度学习的 UIE 方法遵循单阶段网络，无法同时有效处理多种退化问题。本文提出通过设计一个两阶段深度学习框架，并利用级联对比学习来指导每个阶段的网络训练，以解决此问题。所提方法简称为 CCL-Net。具体而言，CCL-Net 包含两个级联阶段：一个针对颜色偏差问题的颜色校正阶段，以及一个旨在改善水下图像可见度和对比度的去雾阶段。为保证水下图像能被逐步增强，我们还应用对比损失作为额外约束来指导每个阶段的训练。在第一阶段，原始水下图像被用作构建第一个对比损失的负样本，确保第一个颜色校正阶段的增强结果优于原始输入。而在第二阶段，第一个颜色校正阶段的增强结果（而非原始水下图像）被用作构建第二个对比损失的负样本，从而确保第二个去雾阶段的最终增强结果优于中间的颜色校正结果。在多个基准数据集上的大量实验表明，与许多最先进的方法相比，我们的 CCL-Net 能够实现卓越的性能。CCL-Net 的源代码将在 https://github.com/lewis081/CCL-Net 发布。
引用
@article{arxiv.2411.10682,
title = {Underwater Image Enhancement with Cascaded Contrastive Learning},
author = {Yi Liu and Qiuping Jiang and Xinyi Wang and Ting Luo and Jingchun Zhou},
journal= {arXiv preprint arXiv:2411.10682},
year = {2024}
}
备注
Accepted by IEEE Transacitons on MultiMedia