基于合成数据的UNIR-Net用于非均匀照明下水下图像恢复
图像与视频处理
2025-09-30 v2
摘要
恢复受非均匀照明（NUI）影响的水下图像对于提高海洋应用中的视觉质量和实用性至关重要。常规方法在处理复杂照明模式时常常不足，而基于学习的方法由于缺乏针对性数据集而面临挑战。为此，提出水下非均匀照明恢复网络（UNIR-Net）。UNIR-Net集成了多个组件，包括照明增强、注意力机制、视觉细化和对比度校正，以有效恢复受NUI影响的水下图像。此外，引入了配对水下非均匀照明数据集（PUNI），专为训练和评估NUI条件下的模型而设计。在PUNI和大规模真实世界非均匀照明数据集（NUID）上的实验结果表明，UNIR-Net在定量指标和视觉效果上均表现出优异性能。UNIR-Net还提高了下游任务如水下语义分割的效果，凸显了其实际应用价值。该方法的代码可在 https://github.com/xingyumex/UNIR-Net 获取。
引用
@article{arxiv.2501.09053,
title = {UNIR-Net: A Novel Approach for Restoring Underwater Images with Non-Uniform Illumination Using Synthetic Data},
author = {Ezequiel Perez-Zarate and Chunxiao Liu and Oscar Ramos-Soto and Diego Oliva and Marco Perez-Cisneros},
journal= {arXiv preprint arXiv:2501.09053},
year = {2025}
}
备注
This is the preprint version of an article that has been accepted for publication in Image and Vision Computing