[논문 리뷰] Underwater Image Enhancement based on Deep Learning and Image Formation Model

Xuelei Chen, Pin Zhang외 3명|arXiv (Cornell University)|2021. 01. 04.

Image Enhancement Techniques참고 문헌 15인용 수 51

한 줄 요약

이 논문은 심층 학습과 이미지 형성 모델을 결합하여 색 왜곡을 보정하고 디테일을 강화하며 인지 품질을 향상시키고 경쟁 방법보다 빠른 계산 속도를 달성하는 수중 영상 향상 알고리즘을 제안한다.

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.

연구 동기 및 목표

• 수중 이미지의 색상 왜곡과 대조 저하를 해결한다.
• 깊은 학습 프레임워크를 이미지 형성 모델과 통합하여 활용한다.
• PSNR 및 SSIM 점수를 향상시키고 특징 매칭 성능을 높인다.

제안 방법

• 깊은 학습과 물리적 이미지 형성 모델을 융합한 새로운 수중 영상 향상 파이프라인을 제안한다.
• 수중 빛의 감쇠와 산란을 보정하여 색감을 향상시킨다.
• 이미지 형성 과정을 안내로 학습된 표현을 통해 세부 정보와 대비를 개선한다.
• PSNR 및 SSIM 지표를 사용하여 성능을 평가하고 특징 키 포인트 매칭을 평가한다.
• 다른 방법에 비해 계산 효율을 강조한다.

실험 결과

연구 질문

• RQ1 깊은 학습 기반 접근법과 이미지 형성 모델의 통합이 수중 색상 왜곡을 효과적으로 상쇄할 수 있는가?
• RQ2 제안된 방법이 기존 방법보다 더 빠른 계산 속도를 유지하면서 PSNR과 SSIM을 개선하는가?
• RQ3 향상된 영상 품질이 수중 장면에서 더 나은 특징 키 포인트 매칭을 촉진하는가?

주요 결과

• 이 방법은 색상을 풍부하게 하고 세부 정보를 향상시키며 수중 환경 요소를 보완한다.
• 실험에서 더 높은 PSNR 및 SSIM 값을 달성한다.
• 더 나은 특징 키 포인트 매칭 결과를 가능하게 한다.
• 계산 속도는 경쟁 방법에 비해 현저히 빠르다.