普甘:物理模型引导的水下图像增强使用GAN与双歧视器

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 人工智能的人工智能

背景情况:

• 水下图像由于光吸收和散射而遭受退化 (对比度低,色彩扭曲,模糊).
• 这种降解阻碍了水下图像理解任务.
• 水下图像增强 (UIE) 对于提高视觉质量至关重要.

研究的目的:

• 为IEU提出一个新的物理模型引导的生成对抗网络 (GAN),命名为PUGAN.
• 结合基于物理模型的方法和GAN的优势,实现卓越的水下图像增强.
• 在IEU中增强视觉美学和场景适应性.

主要方法:

• PUGAN使用GAN架构与参数估计子网络 (Par-subnet) 进行物理模型反转.
• 一个双流交互增强子网络 (TSIE子网络) 包含一个降解量化 (DQ) 模块,用于有针对性的增强.
• 双分辨器用于风格-内容对抗约束,以确保真实性和视觉吸引力.

主要成果:

• 在基准数据集上,PUGAN表现出了与最先进的方法相比的卓越性能.
• 该方法在定性视觉质量和定量指标方面取得了显著的改进.
• 实验证实了Par子网,TSIE子网和DQ模块的有效性.

结论:

• 通过整合物理模型和GANs,PUGAN有效地增强了水下图像.
• 拟议的方法为IEU提供了更好的视觉美学和强度.
• PUGAN代表了水下图像增强技术的重大进步.