《Enhancing Underwater Imagery using Generative Adversarial Networks》(UGAN)

2018 IEEE International Conference on Robotics and Automation (ICRA)

一.数据集的生成

   cyclegan ：由没失真的图像生成失真的图像，构造水下数据集样本对。

二.网络.

生成器网络：

  Unet网络，编码解码器，编码器-解码器网络通过卷积对输入进行下采样（编码）到低维嵌入，然后通过转置卷积对其进行上采样（解码）以重建图像，其中unet的跳跃连接可以保存空间依赖性。

鉴别器网络：

patchgan 输出为矩阵，在补丁规模上惩罚

三.损失函数

 

Ic为未失真的图像，Id为失真的图像,

LGDL 为梯度预测损失

总结：

1.有监督的学习,通过cyclegan 构造样本对

2.网络结构相似于conditional gan，(生成器unet，判别器patchgan)

3.损失函数是创新点，WGAN-GP与LGDL结合，加L1损失。