DQHNB的博客

水下图像受到复杂多样的退化，不可避免地影响水下视觉任务的有效性。然而，大多数方法主要是在图像的原始像素空间中运行，这限制了对水下图像频率特性的探索，导致深度模型在产生高质量图像时没有充分利用其表征能力。在本文中，我们介绍了一种新的水下图像增强(UIE)框架，命名为WF-Diff，旨在充分利用频域信息和扩散模型的特性。WF-Diff由两个可分离的网络组成:基于小波的傅里叶信息交互网络(WFI2-net)和频率残差扩散调整模块(FR-DAM)。

由于水体介质引起的光吸收和散射，水下图像通常面临一些退化问题，例如低对比度、颜色失真和细节模糊，这加大了后续水下理解任务的难度。因此，如何获得清晰且视觉上令人满意的图像已成为人们普遍关注的课题，水下图像增强（UIE）任务也应运而生。在现有的UIE方法中，基于生成对抗网络（GAN）的方法在视觉美感上表现出色，而基于物理模型的方法在场景适应性上更具优势。为结合上述两类模型的优点，我们在本文中提出了一种基于物理模型引导的GAN模型用于UIE，称为PUGAN。整个网络采用GAN架构。

高质量的水下成像对水下探索至关重要。然而，由于海水的颗粒散射和光吸收，图像清晰度显著降低。为了解决这些问题，我们提出了一种结合像素分布重映射（PDR）和多优先级Retinex变分模型的新型水下图像增强（UIE）方法。我们设计了一种针对严重衰减通道的预补偿方法，有效防止了颜色校正过程中产生新的颜色伪影。通过结合通道间的耦合关系，我们计算了一个限制因子，用于重映射像素分布曲线以提高图像对比度。

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。

该论文提出了一种基于卷积神经网络（CNN）的图像去雾模型，称为 All-in-One 去雾网络（AOD-Net）。该模型基于重构的大气散射模型进行设计，不像以往的模型那样分别估计透射矩阵和大气光，而是通过轻量级的 CNN 直接生成干净图像。这种新颖的端到端设计使 AOD-Net易于嵌入到其他深度模型中，例如 Faster R-CNN，从而提升雾霾图像上的高层次任务性能。实验结果表明，在合成和真实雾霾图像数据集上，AOD-Net 在 PSNR、SSIM 和主观视觉质量方面均优于现有的最先进方法。

load_state_dict方法参数的官方说明 strict 参数默认是true，他的含义是 是否严格要求state_dict中的键与该模块的键返回的键匹配。将load_state_dict(state_dict) 改成 model.load_state_dict(state_dict,，模型加载状态字典时将不会严格检查每个键是否匹配，允许部分加载，这在处理预训练模型或自定义模块时非常有用。

究其原因，在于model.load_state_dict(torch.load(‘pretrain-model.pth’, map_location=device))这个代码省略了map_location=device。通过torch.load加载预训练模型pretrain-model.pth，map_location=device 是一个参数，用于指定模型参数加载到哪个设备上。加载模型时，模型也不大，GPU内存也完全够，但就是出现这个CUDA内存溢出问题。这就很容易出现内存不足的情况。

提高图像的美学质量是一个挑战，并且受到公众的广泛关注。为了解决这个问题，大多数现有算法基于监督学习方法，旨在为成对数据学习一个自动照片增强器，该数据由低质量照片及其对应的专家修饰版本组成。然而，专家修饰的照片的风格和特征可能无法满足普通用户的需求或偏好。本文提出了一种无监督图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有期望特征的图像中学习相应的图像到图像映射，而不是依赖于大量的成对图像。所提出的模型基于单一深度GAN，嵌入了调制和注意力机制，以捕捉更丰富的全局和局部特征。

夜间图像不仅受到低光的影响，而且还受到光的不均匀分布的影响。现有的夜间能见度增强方法大多集中在增强弱光区域。这不可避免地导致明亮区域中的过度增强和饱和，例如受光效应（眩光、泛光灯等）影响的那些区域。为了解决这个问题，我们需要抑制明亮区域中的光效应，同时提高暗区域的强度。考虑到这个想法，我们引入了一种无监督的方法，它集成了层分解网络和光效应抑制网络。给定一张夜间图像作为输入，我们的层分解网络学习分解阴影，反射和灯光效果层，由无监督的特定层先验损失指导。我们的光效应抑制网络进一步。

在水下环境中拍摄的图像通常会受到颜色失真、低对比度和视觉质量下降的影响。大多数现有的方法通过对合成图像或伪参考进行有监督的训练来解决水下图像增强（UIE）问题。然而，由于合成的配对数据与真实世界数据之间存在固有差异，这些数据无法准确复制真实情况，同时伪参考的数量和质量也有限，这在对真实水下图像进行测试时严重降低了模型的泛化能力和性能。相比之下，无监督的方法不受配对数据的限制，更加稳健，并在实际应用中具有更大的潜力。然而，现有的无监督方法无法有效约束网络来训练一个可以适应各种退化情况的模型。

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。

大多数已经提出的水下增强算法都是使用合成数据集或少数选定的真实世界图像，这使得我们无法估计算法在真实环境下的表现。为了解决这个问题，我们提出了UIEB数据集，包括 950 张真实水下图像，其中 890 张有相应的参考图像。我们将其余60张无法获得满意参考图像的水下图像视为具有挑战性的数据。我们使用这个数据集评估了许多先进的水下图像增强的算法。此外，我们还提出了一个新的水下图像增强网络Water-Net，它使用这个数据集进行训练。基于补充信息的方法基于非物理模型的方法基于物理模型的方法和数据驱动的方法。

水下场景中，与波长相关的光吸收和散射会降低图像的可见度，导致对比度低和色偏失真。为了解决这个问题，我们提出了一种基于卷积神经网络的图像增强模型，UWCNN，它使用合成水下图像数据库进行有效训练。我们的模型利用自动端到端和数据驱动的训练机制直接重建清晰的潜在水下图像。符合水下成像模型和水下场景的光学特性，我们首先合成十种不同的海洋图像数据库。然后，我们针对每种水下图像形成类型分别训练多个 UWCNN 模型。此外，我们还进行了消融研究，以证明网络中每个组件的效果。直射光、前向散射光和后向散射光。

现在的主要挑战是水下机器人捕获的图像颜色失真。水下图像的色调往往接近绿色和蓝色。另外，对比度低，细节模糊。本文提出了一种基于深度学习和成像模型的水下图像增强新算法，实验结果表明，该方法的优点是消除了水下环境因素的影响，丰富了色彩，增强了细节，帮助特征关键点点匹配获得更好的结果。由于各种环境因素的影响，水下图像的质量通常较低。一方面，整体色彩以绿色和蓝色为主；另一方面，对比度低，细节模糊。水下图像和雾化图像的物理成像模型有很多相似之处，光传输受到空气或水中颗粒散射的影响。

弱光条件下拍摄的图像通常会出现能见度差和各种退化的情况，例如噪声干扰和模糊边缘特征。随着成像设备的发展，视觉监控数据的质量不断提高，如2K和4K，这对图像处理的效率有着更严格的要求。为了同时满足增强质量和计算速度的要求，提出了一种用于超高清交通监控的双域引导实时微光图像增强网络（DDNet）。具体地说，我们设计了一种编码器-解码器结构作为学习网络的主要结构。特别地，增强处理被分成两个子任务（即，该算法通过嵌入在编解码器结构中的粗增强模块（CEM）和基于LoG的梯度增强模块（GEM），实现了图像的。

HE主要用来提升图像的对比度图像的直方图均衡化。