基于波长属性的深度神经网络用于水下图像复原
图像与视频处理
2022-01-20 v3 计算机视觉与模式识别
摘要
背景：水下图像通常由于光在水中传播时的非均匀衰减而存在低对比度和高度色彩失真。此外，衰减程度随波长变化，导致颜色的非对称传播。尽管利用深度学习进行水下图像复原（UIR）的工作很多，上述非对称性尚未在相应网络设计中得到解决。贡献：作为首个创新点，本文表明基于颜色通道传播范围赋予合适的感受野大小（上下文）可显著提升UIR任务性能。进一步，抑制无关多上下文特征并增强模型表征能力十分重要。因此，作为第二个创新点，我们引入了注意力跳跃机制以自适应精炼学到的多上下文特征。所提框架称为Deep WaveNet，使用传统的像素级和基于特征的成本函数进行优化。我们进行了大量实验，在基准数据集上证明所提方案优于现有已发表最优文献。更重要的是，我们在多种高层视觉任务（例如水下图像语义分割和潜水员2D姿态估计）上展示了对增强图像的全面验证。展示我们真实世界性能的样本视频见\url{https://tinyurl.com/yzcrup9n}。我们还在\url{https://github.com/pksvision/Deep-WaveNet-UnderwaterImage-Restoration}开源了框架。
引用
@article{arxiv.2106.07910,
title = {Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration},
author = {Prasen Kumar Sharma and Ira Bisht and Arijit Sur},
journal= {arXiv preprint arXiv:2106.07910},
year = {2022}
}
备注
Accepted by ACM Transactions on Multimedia Computing, Communications, and Applications (ACM TOMM)