强大的水下图像增强功能,具有级联式多层次子网络和三重注意力机制

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 海洋技术 海洋技术

背景情况:

• 水下图像增强对于海洋资源勘探至关重要.
• 传统的卷积神经网络 (CNN) 方法由于单个网络结构,往往缺乏稳定性.
• 现有的UNet架构可能因强制低至高分辨率融合而难以准确地编码上下文信息.

研究的目的:

• 开发一个新型网络,分层网络与多层次子网络 (CNMS),以改进水下图像增强.
• 提高水下图像增强技术的稳定性和概括能力.
• 解决当前基于CNN的方法中特征表示和上下文信息编码的局限性.

主要方法:

• 提出了一个新的网络架构:带有多层次子网络 (CNMS) 的级联网络.
• 整合了使用本地模块和全球网络进行特征提取的级联机制.
• 实现了不同分辨率流之间的信息交换和基于注意力的特征提取的三重注意力模块.
• 在CNMS中引入一个多层次子网络 (MSN),用于在保留空间细节的同时进行多层次的上下文信息集成.

主要成果:

• CNMS在提取具有更丰富语义和增强空间精度的特征表示方面表现出卓越的性能.
• 三重注意模块有效地提取不同的特征,增强网络的稳定性和通用性.
• 多层次子网络 (MSN) 成功地将不同规模的上下文信息结合起来.
• 在多个水下数据集上的实验结果证实了CNMS与最先进的方法相比的优异性.

结论:

• 拟议的CNMS网络在水下图像增强方面取得了重大进展.
• CNMS有效地解决了与稳定性和上下文信息编码相关的挑战.
• 新的架构为水下图像增强任务提供了卓越的性能和概括能力.