[論文レビュー] Underwater Image Enhancement based on Deep Learning and Image Formation Model

Xuelei Chen, Pin Zhang+3 more|arXiv (Cornell University)|Jan 4, 2021

Image Enhancement Techniques参考文献 15被引用数 51

ひとこと要約

本論文は、深層学習と画像形成モデルを組み合わせて、色の歪みを補正し、細部を強調し、知覚品質を向上させ、競合手法よりも計算速度を実現する水中画像強化アルゴリズムを提案します。

ABSTRACT

Underwater robots play an important role in oceanic geological exploration, resource exploitation, ecological research, and other fields. However, the visual perception of underwater robots is affected by various environmental factors. The main challenge now is that images captured by underwater robots are color-distorted. The hue of underwater images tends to be close to green and blue. In addition, the contrast is low and the details are fuzzy. In this paper, a new underwater image enhancement algorithm based on deep learning and image formation model is proposed. Experimental results show that the advantages of the proposed method are that it eliminates the influence of underwater environmental factors, enriches the color, enhances details, achieves higher scores in PSNR and SSIM metrics, and helps feature key-point point matching get better results. Another significant advantage is that its computation speed is much faster than other methods.

研究の動機と目的

• 水中画像の色の歪みと低コントラストに対処する。
• 画像形成モデルと統合された深層学習フレームワークを活用する。
• PSNRとSSIMスコアを向上させ、特徴点マッチング性能を向上させる。

提案手法

• 深層学習と物理的な画像形成モデルを融合させた新規の水中画像強化パイプラインを提案する。
• 水中光の減衰と散乱を補償して色を強化する。
• 画像形成プロセスに導かれた学習表現によって、細部とコントラストを向上させる。
• PSNRとSSIM指標を用いて性能を評価し、特徴点マッチングを評価する。
• 他の手法と比べた計算効率を強調する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの手法と画像形成モデルを統合することは、水中の色の歪みを効果的に抑制できるか。
• RQ2 提案手法は、既存手法と比較して計算を速く維持しつつ、PSNRとSSIMを改善できるか。
• RQ3 向上した画像品質は水中シーンにおけるより良い特徴点マッチングを促進するか。

主な発見

• 本手法は色を豊かにし、細部を強化し、水中環境要因を緩和する。
• 実験でより高いPSNRとSSIMスコアを達成する。
• より良い特徴点マッチングの結果を可能にする。
• 計算速度は競合手法より著しく高速である。