水下变焦：用于水下图像增强的深度引导感知网络
计算机视觉与模式识别
2024-09-10 v4
摘要
由于海洋元素的异质性，水下场景固有地涉及退化问题。当前主流的水下图像增强(UIE)方法坚持使用直接的特征建模来学习映射函数，这导致视觉增益有限，因为它缺乏更明确的物理线索（例如深度）。在这项工作中，我们研究将深度先验注入深度UIE模型，以实现更精确的场景增强能力。为此，我们提出了一种新颖的深度引导感知UIE框架，称为水下变焦(UVZ)。具体来说，UVZ采用两阶段流水线。首先，设计了一个深度估计网络来生成关键的深度图，并结合引入的辅助监督网络来抑制训练过程中的估计差异。其次，UVZ通过利用预测的深度图解析近远场景，从而在不同区域实现局部和非局部感知。在五个基准数据集上的大量实验表明，UVZ实现了卓越的视觉增益并提供了有前景的定量指标。此外，UVZ被证实在某些视觉任务中表现出良好的泛化能力，尤其是在异常光照条件下。代码、模型和结果可在 https://github.com/WindySprint/UVZ 获取。
引用
@article{arxiv.2404.17883,
title = {Underwater Variable Zoom: Depth-Guided Perception Network for Underwater Image Enhancement},
author = {Zhixiong Huang and Xinying Wang and Chengpei Xu and Jinjiang Li and Lin Feng},
journal= {arXiv preprint arXiv:2404.17883},
year = {2024}
}