一种基于条件约束注意力生成对抗网络的水下图像增强模型

最新推荐文章于 2025-07-18 10:29:36 发布
最新推荐文章于 2025-07-18 10:29:36 发布
阅读量194 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 优质GAN模型训练自己的数据集 文章标签： 深度学习 人工智能 生成对抗网络 计算机视觉 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/LJ1147517021/article/details/148045553

简介

简介：作者针对水下图像颜色失真、对比度低等问题，提出了一种基于条件约束注意力生成对抗网络的水下图像增强模型。对于生成器，主要通过U-Net架构，通过跳跃连接融合多尺度特征，并引入空间注意力模块（双路池化+残差连接）增强高频细节；对于判别器，通过条件对抗机制优化特征差异；组合损失函数融合对抗损失、MSE、L1及VGG内容损失，提升训练稳定性。

论文题目：基于条件约束注意力生成对抗网络的水下图像增强模型

期刊：天津城建大学学报

摘要：针对由水下复杂环境导致的水下图像颜色失真、对比度和清晰度低等问题，提出了一种基于条件约束注意力生成对抗网络的水下图像增强模型. 首先，该模型包括生成网络模块和判别网络模块，在模型训练过程中，两模块进行相互对抗学习，使得该模型具备较好的特征提取能力；其次，生

了解本专栏 订阅专栏 解锁全文
TCSVT 2025 | TAFormer：一种用于水下图像增强的传输感知 Transformer
小白学视觉
05-20 296
水下不同颜色光的衰减和散射与波长及距离相关，这会导致水下图像出现各种退化问题。在增强水下图像时，许多基于深度学习的方法仅依靠卷积神经网络来学习从退化图像到清晰图像的映射，以实现增强效果。然而，这类方法在捕捉长距离依赖关系方面存在局限性，无法准确获取图像的全局信息。虽然Transformer可以解决这个问题，但由于具有某些退化现象的训练数据集数量有限，在训练过程中缺乏归纳偏差。为解决这一问题，作者首次提出了一种基于物理感知的新型Swin Transformer。
23、论文阅读：HAAM-GAN：基于多分辨率特征学习的层次注意力聚合GAN水下图像增强
DQHNB的博客
11-19 1614
随着人类对海洋的探索和资源开发的不断深入，海事行业已成为一个热门领域。然而，由于海洋的广阔和环境的复杂性，海上交通流预测（Cohen and Klein, 2022）和自主作业（Gao et al., 2023）仍然是海事行业学者关注的焦点。在海洋活动中，光学成像系统常被用于记录水下元素。海事工作的效率主要取决于所捕获图像的质量；然而，退化的水下场景可能会阻碍高级视觉任务的性能和信心。
基于生成对抗模型GAN蒸馏的方法FAKD及其在EdgesSRGAN中的应用
qq_50465499的博客
08-26 1700
基于生成对抗模型GAN蒸馏的方法FAKD及其在EdgesSRGAN中的应用
目标检测YOLO实战应用案例100讲-基于深度学习的水下图像增强及目标检测算法研究与应用（中）
qq_36130719的博客
04-28 1063
和基于深度学习的方法CycleGAN[64]，UGAN[36]，Water-Net[42]，UWGAN[38]（underwaterGAN，水下GAN）和FUnIE-GAN[89]。图4-9为典型的水下色偏的图像，大多数增强方法对其颜色校正的效果有限。比较方法包括传统方法FE[12]，RB[16]，RCP[26]，UDCP[23]，IBLA[28]，Uhaze-line[30]，方法，图像复原方法：RCP[26]，UDCP[23]，IBLA[28]，和Uhaze-line[30]方法，以及基于。
目标检测YOLO实战应用案例100讲-基于深度学习的水下图像增强及目标检测算法研究与应用
qq_36130719的博客
06-11 2556
随着海洋强国战略的提出，占地球表面积71%的海洋成为现阶段最热门的探索领域之一。海洋中蕴含着丰富的资源，但是水下可见度低、压力大且环境复杂，人类的下潜深度有限，限制了对海洋的探索与利用。水下机器人[1]可以潜入水下通过视觉系统判断周围的环境信息并获取水下目标的位置，因此被用来进行水下作业，广泛应用于水下目标捕获、石油开发、水下救援等领域。基于光视觉的水下目标检测作为水下机器人作业的关键技术，成为一个研究重点。水下目标检测的目的是定位和识别水下场景中的目标。陆地上的目标检测技术的。
【图像增强】Enhancing Underwater Imagery using Generative Adversarial Network(UGAN)论文理解
qq_36926037的博客
10-08 7983
摘要   自主式水下航行器（AUV）依赖于各种传感器——声学、惯性和视觉——进行智能决策。视觉由于其非侵入性、被动性和高信息量的特征是一种有吸引力的传感方式，尤其是在较浅的水下深度。然而光的折射和吸收、水中的悬浮颗粒以及颜色失真等因素的存在，严重影响了水下视觉数据的质量，水下图像往往出现噪声和失真。因此依靠视觉传感器的AUV面临着艰巨的挑战，在视觉驱动的任务上表现不佳。   本文：   提出了一种使用生成式对抗网络（GAN）提高水下视觉场景质量的方法；使用最近提出的方法（Cycle GAN）生成用于水下图像
9、论文阅读：无监督的感知驱动深水下图像增强
DQHNB的博客
09-27 1533
当前的 UIE 算法主要通过最小化增强图像和地面真实图像之间的重建损失，在合成数据集或具有伪标签的数据集上训练深度神经网络（DNN）。但是，合成和真实的水下图像有差距，在合成图像上训练的网络在真实环境下不一定有好的表现。并且使用L1和L2损失函数，往往忽视人类感知的重要性，（L1和L2损失只关注像素级别的差异，没有考虑人类视觉系统的感知特性。人类的眼睛对边缘和纹理的变化敏感，但是对颜色变化相对不敏感。为此，可以使用感知损失或者风格迁移损失 ​），导致增强的图片不尽人意。因此，本论文提出了一个。
基于增强、恢复和融合的图像去雾:综述
weixin_48426415的博客
03-15 6399
雾霾是一种大气现象，由灰尘、烟雾或其他气溶胶颗粒的积累引起的，它们掩盖了大气的清晰度。在雾霾环境下拍摄的图像通常会出现严重的质量退化，比如对比度低、细节丢失以及颜色褪色。对于人类观察者来说，在朦胧的环境中，远处内容物的可见性受到很大影响。同样，雾霾的存在也会在很大程度上影响现代计算机视觉系统，并导致假设在清晰条件下捕获所有视觉内容的视觉任务的性能不理想，例如图像分割[1 - 3]，物体检测[4,5]，人员再识别[6]。
2023年及以后语言、视觉和生成模型的发展和展望
学以致用 知行合一
09-08 642
2022 年媒体生成领域取得了令人兴奋的进步。计算机现在可以与自然语言交互，更好地理解您的创作过程以及您可能想要创造的内容。这为计算机开启了令人兴奋的新方法来帮助用户创建图像、视频和音频——超越传统工具的限制！这激发了人们对用户如何控制生成过程的更多研究兴趣。文本到图像和文本到视频的进步使语言成为控制生成的强大方式，而像Dream Booth这样的工作使用户可以用自己的图像启动生成过程。2023 年及以后，媒体生成本身的质量和速度肯定会取得进步。
七、深度学习——RNN
2401_88868983的博客
07-14 385
输出结果：主要包括输出结果output，最后一层的hn。输入数据：输入主要包括词嵌入的x，初始的隐藏层h0。实际上，字是重复输入到同一个神经元中的。
深度学习：让 AI 拥有 “思考” 能力的核心技术​
一套方法论打通全栈闭环，从 0 到 1 教你驾驭需求、设计、开发、项目、课题、论文和软著，速成全栈王者！
07-16 1113
深度学习是机器学习的一个分支，它通过模拟人脑神经网络的多层结构，让 AI 能够自动学习数据中的复杂特征，从而完成更高级的认知任务。例如，传统机器学习需要人类手动提取 “猫有尖耳朵、胡须” 等特征，而深度学习能直接从原始图片中，自主学习从像素到轮廓、再到整体形态的多层特征，最终实现更精准的识别。​这种 “自主提取特征” 的能力，让深度学习突破了传统 AI 的局限。
DataLoader
2303_80480614的博客
07-18 309
在 PyTorch 中，DataLoader是torch.utils.data模块中的一个重要类，用于将数据集包装成可迭代对象，在训练和测试模型时提供了高效、便捷的数据加载和批处理功能。
高频感知模块High Frequency Perception（HFP），提高微小目标检测任务中的精度
qq_64693987的博客
07-16 776
文章摘要：针对微小目标检测中传统特征金字塔网络(FPN)的缺陷，提出了高频感知模块(HFP)。HFP通过离散余弦变换和高通滤波器提取高频特征，并构建通道与空间双路径注意力机制，动态强化微小目标的特征表达。该方法在检测领域可提升小目标识别精度，在分割领域能增强细粒度目标区分度。实验表明，将HFP与YOLO系列模型结合，可有效减少微小目标的漏检和误检。文章还提供了HFP在YOLOv11中的具体实现步骤和代码集成方法。
【深度学习新浪潮】什么是AI for science？
agito_cheung的博客
07-16 51
AI for Science（AI4S）是指利用人工智能技术解决科学研究中的复杂问题，推动科研范式革新的新兴领域。其核心目标是通过机器学习、深度学习等方法，应对现代科学面临的“数据灾难”和“高维灾难”，例如处理海量实验数据、优化高维方程求解等，从而显著提升科研效率。学界将其视为继实验、理论、仿真、数据密集型范式之后的“第五范式”，认为其可能引发科学研究的根本性变革。
预测导管原位癌浸润性复发的深度学习：利用组织病理学图像和临床特征
最新发布
浪漫的诗人博客
07-18 526
【 DCIS与IBC的关联】乳腺导管原位癌（DCIS）可发展为同侧浸润性乳腺癌（IBC），但超过 75% 的 DCIS 病变如不治疗则不会发展。【深度学习模型的探索】为筛选低风险DCIS，利用组织学全切片图像（WSI）和临床病理数据开发了深度学习模型。
深度学习之激活函数
一起进步
07-16 1085
本文介绍了神经网络中激活函数的作用及常见类型。激活函数为网络引入非线性因素，使其能够拟合复杂曲线，若缺失则退化为线性模型。重点分析了三种常用激活函数：Sigmoid（适用于二分类输出层，存在梯度消失问题）、Tanh（收敛快但仍有梯度消失）和ReLU（最常用，计算高效但可能出现神经元死亡）。此外还介绍了多分类使用的Softmax函数。文章建议隐藏层优先选用ReLU，输出层根据任务类型选择对应函数（Sigmoid/Softmax/线性），并提供了PyTorch实现示例。不同激活函数的选择直接影响神经网络的学习效
基于深度学习的LSTM、GRU对大数据交通流量分析与预测的研究
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
07-15 994
本文基于英国M4高速公路实测数据，提出了一种结合深度学习的短期交通流量预测方法。通过数据清洗、EMD去噪和5分钟粒度增强等预处理，对比LSTM与GRU模型性能，结果表明LSTM在MAE（7.197）和R²（0.997）等指标上表现更优。研究开发了Flask可视化预测系统，实现了动态更新和交互查询功能，为智慧交通管理提供了有效工具。创新点包括动态时间步调整、在线模型更新机制及多维数据归一化处理，兼具理论价值与实践意义。
2025-07-16 李沐深度学习10——数值稳定性与模型初始化
zheliku的博客
07-16 1019
摘要 本文系统分析了深度神经网络训练中的数值稳定性问题。首先从梯度计算基础出发，指出多层网络中的链式求导会导致梯度爆炸或消失问题。通过ReLU和Sigmoid激活函数的实例分析，具体展示了梯度异常（爆炸或消失）的成因及其对训练的影响。针对这些问题，提出了三大解决策略：将乘法运算改为加法（如ResNet、LSTM）、梯度归一化与裁剪、合理的权重初始化与激活函数设计。特别地，详细推导了Xavier初始化的理论基础，提出应根据网络层的输入输出维度自适应调整初始化范围。最后讨论了理想激活函数应具备的特性，为稳定训练
利用cyclegan进行水下图像模糊增强，训练后生成的图像不够清晰，怎么提高分辨率
03-08
嗯，用户想用CycleGAN做水下图像的模糊增强，但生成的图像不够清晰，分辨率低，该怎么提高呢？首先，我得回忆一下CycleGAN的基本原理。CycleGAN通过两个生成器和两个判别器进行循环一致性训练，适合在没有配对数据的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值