LM-CycleGAN:通过学习感知图像补丁相似性和多尺度自适应融合注意力来提高水下图像质量
Jiangyan Wu1,2, Guanghui Zhang1,2, Yugang Fan1,2
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究介绍了LM-CycleGAN,这是一个改进的水下图像增强模型. 它有效地纠正颜色和增强细节,克服了水下成像中常见的问题.
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:
- 水下图像由于光散射和粒子而遭受噪音,模糊和色彩扭曲等降解.
- 现有的图像增强方法与复杂的水下环境作斗争.
研究的目的:
- 提出一个改进的循环一致的生成对抗网络 (CycleGAN),用于水下图像的色彩校正和细节增强.
- 解决传统CycleGAN在保存结构信息和避免文物方面的局限性.
主要方法:
- 开发了LPIPS-MAFA CycleGAN (LM-CycleGAN) 模型. 这是一个非常好的模型.
- 集成了一个多尺度自适应融合注意力 (MAFA) 机制,用于细节感知.
- 将学习感知图像补丁相似性 (LPIPS) 纳入结构焦点的损失函数.
主要成果:
- 在UIEB和EUVP数据集上,LM-CycleGAN显示了SSIM,PSNR,AG,UCIQE和UIQM的显著改进.
- 与传统的CycleGAN相比,该模型实现了卓越的色彩校正和保真.
- 成功避免了红色的棋盘文物和模糊的边缘细节.
结论:
- LM-CycleGAN为水下图像增强提供了一个强大的解决方案.
- 拟议的模型有效地改善了在具有挑战性的水下条件下图像质量和视觉保真.
更多相关视频
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
299
09:19Measuring the Structure, Composition, and Change of Underwater Environments with Large-area Imaging
Published on: April 18, 2025
331
