PUGAN: Physical Model-Guided Underwater ImageEnhancement Using GAN With Dual-Discriminators（论文阅读）

最新推荐文章于 2025-05-14 14:26:23 发布
最新推荐文章于 2025-05-14 14:26:23 发布
阅读量685 收藏 2
点赞数 4
文章标签： 生成对抗网络 论文阅读 人工智能
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/qq_52850526/article/details/132647090
版权

解决问题：在现有的UIE方法中，基于生成对抗网络(GANs)的方法在视觉美学方面表现良好，而基于物理模型的方法具有更好的场景适应性，结合两个方案的优势。

提出方法：physical model-guided GAN model for UIE (PUGAN)

摘要：由于水介质对光的吸收和散射，水下图像通常会出现对比度低、色彩失真、细节模糊等退化问题，加剧了下游水下理解任务的难度。因此，如何获得清晰悦目的图像已成为人们共同关注的问题，水下图像增强(UIE)的任务也应运而生。在现有的UIE方法中，基于生成对抗网络(GANs)的方法在视觉美学方面表现良好，而基于物理模型

最低0.47元/天 解锁文章
AI大米
关注
【论文阅读】PU-GAN：点云上采样的对抗生成网络
weixin_43978272的博客
12-14 4972
PU-GAN：一种点云上采样的对抗生成网络模型
PU-GAN复现过程
qq_44237695的博客
03-23 568
PU-GAN复现过程
【图像增强】Underwater Image Enhancement Using a Multiscale Dense Generative Adversarial Network(UWGAN)
热门推荐
qq_36926037的博客
10-22 1万+
摘要   水下图像增强技术在水下视觉研究中受到了广泛的关注。但是，原始水下图像容易遭受由水下场景引起的色彩失真、曝光不足和模糊。   本文：提出了一种新的用于增强水下图像的多尺度密集生成式对抗网络（GAN）。   ①生成器：使用残差的多尺度密集块，其中多尺度、密集连接和残差学习可以提高性能、渲染更多细节并利用之前的特征图。   ②判别器：采用计算量小的光谱归一化来稳定判别器的训练。   ③损失函数：结合L1损失、梯度损失、非饱和GAN损失函数。   实验：   ①在合成、真实水下图像上的最终增强结果证明了该
【转载】细嚼慢咽读论文：点云上采样GAN的实践——PU-GAN
xiaoyaolangwj的博客
07-28 2127
论文标题：PU-GAN: a Point Cloud Upsampling Adversarial Network 标签：有监督 | 点云上采样 首先我们来分析一下文章题目：PU-GAN: a Point Cloud Upsampling Adversarial Network PU即Point Upsampling，也就是本文要做的任务是点云上采样。关于点云上采样的介绍，我在介绍PU-Net的这篇文章中介绍过，可参考： 刘昕宸：细嚼慢咽读论文：点云上采样网络开天辟地PU-Net​zhuan
【ICCV2019论文阅读】PU-GAN：点云上采样对抗网络
冯子材的博客
12-06 6288
摘要 从范围扫描获取的点云通常稀疏，嘈杂且不均匀。 本文提出了一种称为PU-GAN 的新点云上采样网络，该网络是基于生成对抗网络（GAN）制定的，旨在从潜在空间中学习丰富的点分布并在对象表面的子块上对点进行上采样。为了实现可运行的GAN网络，我们在生成器中构造了一个自上而下再向上的扩展单元，以对带有误差反馈和自校正的点特征进行上采样，并制定了一个自注意力单元来增强特征集成。 此外，我们设计了具有对...
30、PUGAN
DQHNB的博客
01-02 258
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。
正-无标记分类的GAN模型：理论与实践
"这篇论文主要探讨了一种基于正-无标记分类的GAN（Generative Adversarial Networks，生成对抗网络）模型，旨在解决传统GAN在训练过程中的稳定性问题和生成图像质量的问题。" 正-无标记分类在GAN中的应用： 在传统...
PU-GAN网络的 evaluation code.cpp
wuprogrammer的博客
09-27 561
一、输入： argv[1]是网格文件， argv[2]是PU-GAN网络模型预测的点 argv[3]是sampling seed，也有可能没有这一项 二、目的 1.计算预测点到网格中距离它最近点的point2surface distance（和真实模型的比对） 2.计算每一个比例p的面积中点的uniformity （该值越小越好） （1）Uimbalance中表示一个p比例的面积中偏差多少（应该有多少点，实际有多少点） （2）Uclutter表示每个p比例的面积中点和最近点
【CVPR 2024】A Conditional Denoising Diffusion Probabilistic Model for Point Cloud Upsampling阅读
Aoyama的博客
07-12 1501
点云上采样(PCU)丰富了原始点云的表示，显著提高了分类和重构等下游任务的性能。现有的点云上采样方法大多侧重于稀疏点云特征提取和上采样模块设计。以不同的方式，我们深入研究了直接从密集点云建模数据分布的梯度。本文提出了一种用于点云上采样的条件去噪扩散概率模型(DDPM)，称为PUDM。具体来说，PUDM 将稀疏点云视为一个条件，迭代学习密集点云和噪声之间的转换关系。同时，PUDM 与对偶映射范式对齐，以进一步提高点特征的识别。
【图像增强】Underwater Image Enhancement via Piecewise ColorCorrection and Dual Prior OptimizedContrast
lutlx20010913的博客
11-22 1540
本文发表于期刊IEEE Signal Processing Letters ，发表时间为 2023年 11 月。第一作者张东卫：中共党员，博士，河南科技学院信息工程学院校聘教授。长期从事低可视性图像增强、智慧农业、深度学习等方面的研究。翻译由于光的吸收和散射，水下采集的图像常常面临严重的质量退化问题。在本文中，提出通过分段颜色校正和双重先验优化对比度增强来解决上述问题。
PU-GAN a Point Cloud Upsampling Adversarial Network
wuprogrammer的博客
04-19 1584
这篇是ICCV2019的一篇上采样论文。 Ps：学习论文时，我只备注重要的知识点。 一、Abstract 1、概括 存在问题 点云是稀疏、有噪音（outlier points）、不均匀的 作者目的 学习已有点的特征， 从而增加点， 并且使点的分布要均匀 采取方法 generative adversarial network (GAN)、Patch-based Upsamplin...
【论文笔记】点云上采样网络 PU-GAN: a Point Cloud Upsampling Adversarial Network ICCV 2019
phy12321的博客
12-14 3076
代码链接 ： 链接 论文介绍： 链接 香港中文大学 本文方法可以直接对激光雷达的scan数据进行上采样以及数据修正，得到的结果更加完整、均匀： 本文在合成数据集以及真实数据集上进行了测试，在上采样点云的均匀性、靠近曲面性（生成的点云要更加接近表面）、三维重建质量三个方面超越了现有方法。 相关工作 现有点云上采样的方法有三种： 1. 基于优化的方法 这些方法都不是以数据为驱动的，它们严重依赖于先验知识，如光滑曲面的消耗、法向估计等 2. 基于深度学习的方法 点云上采样与点云补全（point comple.
记录PU-GCN复现过程
weixin_42386056的博客
09-01 5394
参考链接：GitHub - guochengqian/PU-GCN: PU-GCN: Point Cloud Upsampling using Graph Convolutional Networks (CVPR2021) 一、安装anaconda3 #cd ~/ #wget https://repo.anaconda.com/archive/Anaconda3-2019.07-Linux-x86_64.sh #bash Anaconda3-2019.07-Linux-x86_64.sh （官方教程
[论文阅读]ControlNET: A Firewall for RAG-based LLM System
m0_52911108的博客
05-13 1077
RAG存在数据泄露风险和数据投毒风险。相关研究探索了提示注入和投毒攻击，但是在控制出入查询流以减轻威胁方面存在不足文章提出一种ai防火墙CONTROLNET，保护基于RAG的LLM系统免受这些漏洞的侵害利用激活转移现象检查恶意查询，通过语义差异来减轻影响从而控制查询流数据泄露风险源于恶意客户端进行侦察以提取系统提示或利用 RAG 系统环境。
分割一切(SAM) 论文阅读：Segment Anything
weixin_50946965的博客
05-13 806
我们介绍了任何片段（SA）项目：一个新的任务，模型和数据集的图像分割。在数据收集循环中使用我们的高效模型，我们建立了迄今为止（到目前为止）最大的分割数据集，在1100万张许可和尊重隐私的图像上拥有超过10亿个掩模。该模型被设计和训练为提示，因此它可以将零拍摄转移到新的图像分布和任务。我们评估了它在许多任务中的能力，发现它的零射击性能令人印象深刻-通常与之前的完全监督结果相竞争甚至优于。
多模态论文笔记——NaViT
haopinglianlian的博客
05-14 929
本文详细解读多模态论文NaViT（Native Resolution ViT），将来自不同图像的多个patches打包成一个单一序列——称为Patch n’ Pack——从而实现可变分辨率并保持长宽比。在训练过程中**采用序列封装的方式**处理**任意分辨率和纵横比**的输入，除了具备灵活性的模型应用外，还展示了通过大规模监督和contrastive image-text pretraining来提高训练效率。
【多模态】IMAGEBIND论文阅读
胡侃有料的博客
05-11 978
IMAGEBIND 多模态论文梗概IMAGEBIND是一种夸模态的神经网络，以图片为中心，联合六中模态的网络（图片、文字、音频、深度图、热力图、惯性测量单元）
【论文笔记】ViT-CoMer
最新发布
Word_And_Me_的博客
05-14 854
例如，在 1 倍（3 倍）训练计划下，ViT-CoMer-S 相比于普通 ViT-S，边界框平均精度均值（box mAP）显著提升了 + 5.6%（+4.8%），掩码平均精度均值（mask mAP）提升了 + 3.4%（+3.1%）。经过多模态预训练的 ViT-CoMer-B 与在 ImageNet-1K 上预训练的模型相比，在边界框平均精度(APb)上提升了(+1.7%)，在掩码平均精度(APm)上提升了(+1.7%)。经过N个阶段的特征交互后，将两个分支在每个尺度上的特征相加，用于密集预测任务。
Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise论文阅读
qq_45987837的博客
05-13 459
本文提出了一种名为“冷扩散”的新型生成模型，挑战了传统扩散模型依赖高斯噪声的固有观念。研究发现，扩散模型的生成能力并不局限于噪声的添加与去除，而是可以通过完全确定性的降质操作（如模糊、遮蔽等）实现。通过训练恢复网络来反转这些降质操作，冷扩散模型能够在无需任何随机性的情况下生成高质量图像。这一发现不仅突破了传统扩散模型的理论框架，还为更通用的图像生成模型提供了新的研究方向。相关代码已开源，供进一步探索和应用。
评论 1
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