INGC-GAN:一种隐含的神经引导循环生成方法,用于感知友好的水下图像增强
IEEE transactions on neural networks and learning systems
|March 14, 2025
概括
这项研究引入了一种新的神经网络模型来增强水下图像,有效地解决色彩扭曲和低对比度问题. 拟议的方法可以提高视觉质量,以获得更清晰的水下图像.
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:
- 水下图像由于光衰减和环境因素而遭受色彩退化,对比度降低和模糊.
- 现有的无监督水下图像增强 (UIE) 方法往往无法完全解决这些问题,导致视觉差异.
研究的目的:
- 为无监督的水下图像增强提出一个隐性神经引导的循环生成模型.
- 为了弥合尺度最佳和感知友好的图像质量之间的差距.
主要方法:
- 一个双向映射结构,使用由人类视觉注意力启发的U形发电机.
- 多频带意识隐性神经正常化以缓解降解分布.
- 一个双分支的区分器,专注于外观和颜色,以获得知觉友好的结果.
主要成果:
- 拟议的模型有效地恢复了各种场景中退化的水下图像.
- 通过广泛的实验和废弃研究,证明了对现有方法的优越性.
- 在水下图像增强中实现了良好的概括性和稳定性.
结论:
- 隐性神经引导的循环生成模型为无监督的IEU提供了更好的解决方案.
- 该方法通过解决退化和改善视觉感知来有效地提高图像质量.
- 开发的模型对需要高质量的水下图像的现实世界应用非常有希望.
