下游任务启发水下图像增强:从数据集构建到网络设计的感知意识研究

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 机器人技术 机器人技术 机器人技术

背景情况:

• 水下图像遭受模糊和色彩扭曲,阻碍计算机视觉任务.
• 现有的水下图像增强 (UIE) 方法通常优先考虑人类视觉感知,而不是机器识别的关键高频细节.

研究的目的:

• 开发一个新的水下图像增强 (UIE) 框架,灵感来自下游任务.
• 通过提高图像质量,提高在水下环境中计算机视觉任务的性能.

主要方法:

• 提出了一个下游任务启发的水下图像增强 (DTI-UIE) 框架,具有高效的双分支网络和任务意识的注意力.
• 实施了多阶段的培训策略和任务驱动的感知损失.
• 引入了一个基于人类感知自动构建的Task-Inspired UIE数据集 (TI-UIED).

主要成果:

• DTI-UIE框架显著提高了水下视觉任务的图像质量.
• 预处理的图像在语义细分,对象检测和实例细分方面带来了显著的性能改进.
• 提出的方法有效地重建高频细节,这些细节对于特定任务的识别至关重要.

结论:

• DTI-UIE框架为计算机视觉应用提供了水下图像增强的卓越方法.
• 特定任务的增强对于提高水下图像识别系统的可靠性至关重要.
• 开发的数据集和框架为推进水下视觉研究提供了宝贵的资源.