为水下图像提供多域快速增强网络
Longgang Zhao1, Seok-Won Lee1,2
1The Knowledge-Intensive Software Engineering (NiSE) Research Group, Department of Artificial Intelligence, Ajou University, Suwon City 16499, Republic of Korea.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究介绍了一种多通道深卷积神经网络 (MDCNN),用于卓越的水下图像增强. 该模型改善了域调整和图像质量,优于现有方法.
科学领域:
- 海洋工程 海洋工程
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 来自海上作战的水下图像往往呈现出色彩扭曲和低对比度.
- 现有的深度学习模型与来自不同角度的多源数据作斗争.
研究的目的:
- 开发一个先进的深度学习模型,用于多源水下图像增强.
- 改进域名适应和提高海事工程应用的图像质量.
主要方法:
- 提出了一个与VGG架构集成的多通道深卷积神经网络 (MDCNN).
- 实现了不同领域的单独数据通道和链接的VGG参数,以改进域调整.
- 引入了新的损失功能:多域图像感知,多标签软边缘,像素级和外部监控损失.
主要成果:
- 拟议的MDCNN模型在水下图像增强方面表现出卓越的性能.
- 与最先进的方法相比,在增强图像中实现了更好的结构和纹理相似性.
- 在不同的数据集中,UIQM指标的平均性能增加了0.11.
结论:
- MDCNN模型有效地解决了水下图像中的色彩扭曲和低对比度问题.
- 拟议的损失函数显著提高图像质量和结构相似性.
- 该模型为海洋工程中的多源水下图像增强提供了强大的解决方案.
更多相关视频
13:35Reefshape: A System for the Efficient Collection and Automated Processing of Time-Series Underwater Photogrammetry Data for Benthic Habitat Monitoring
Published on: June 13, 2025
368
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.9K
