【论文总结】Enhancing Underwater Imagery using Generative Adversarial Networks

最新推荐文章于 2024-09-27 15:56:17 发布

原创

最新推荐文章于 2024-09-27 15:56:17 发布 · 6.4k 阅读

44 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #图像增强 #水下图像处理 #GAN #生成对抗网络

该论文通过CycleGAN生成水下图像的低质量版本，然后利用Underwater GAN（UGAN）网络对低质量水下图像进行增强，提高其清晰度和对比度。与WATERGAN相比，UGAN不需要深度信息，且在网络结构和损失函数设计上有独特之处。实验结果显示，UGAN在水下图像增强和实时水下追踪任务中表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文题目：《Enhancing UnderwaterImagery using Generative Adversarial Networks》

论文作者：Cameron Fabbri, Md JahidulIslam, and Junaed Sattar(University of Minnesota, Minneapolis MN)

论文发表期刊：ICRA 2018

论文内容介绍：

本文的主要内容是使用生成对抗网络增强水下图像。作者首先用CycleGAN网络将质量相对较高的undistorted underwaterimage，也就是畸变较轻的水下图像渲染为质量比较差的畸变较大的水下图像dostortedunderwater image;再通过渲染生成的这些数据训练本文提出的另一种网络UnderwaterGAN,也就是UGAN，最终可以将质量比较差，分辨率较低的模糊水下图像转变为比较清晰，分辨率也较高的高质量图像。

首先作者提出现在水下机器人发展越来越快，包括ROV和AUV都会代替潜水员在深海执行许多任务。通常这些设备都会携带许多传感器，其中使用视觉传感器，也就是相机来执行任务是一个很流行的方案。但是水下图像会出现许多问题，比如红光在水下吸收较快，这就会导致水下图像发蓝或者发绿。当深度越深时，这种状况就越明显。然后这种情况是比较复杂的，取决于很多种因素，比如光照方向和强度，不同的水质，相机的参数等等，所以没法用固定的算法去改善，或者说效果不理想。这就会影响水下机器人在执行分割，追踪以及分类等直接或间接用到颜色特征的任务的准确性。