[论文解读] A Benchmark dataset for both underwater image enhancement and underwater object detection

Long Chen, Lei Tong+6 more|arXiv (Cornell University)|Jun 29, 2020

Image Enhancement Techniques参考文献 32被引用 7

一句话总结

本文提出了 OUC 数据集，这是一个大规模水下基准数据集，包含成对的原始图像、高质量参考图像以及目标检测的边界框。通过结合主观感知与客观图像质量度量，作者生成了可靠的参考图像，以实现对下游目标检测性能的全面评估，揭示了基于 Retinex 的增强方法在检测 mAP 上表现最佳（87.2）。

ABSTRACT

Underwater image enhancement is such an important vision task due to its significance in marine engineering and aquatic robot. It is usually work as a pre-processing step to improve the performance of high level vision tasks such as underwater object detection. Even though many previous works show the underwater image enhancement algorithms can boost the detection accuracy of the detectors, no work specially focus on investigating the relationship between these two tasks. This is mainly because existing underwater datasets lack either bounding box annotations or high quality reference images, based on which detection accuracy or image quality assessment metrics are calculated. To investigate how the underwater image enhancement methods influence the following underwater object detection tasks, in this paper, we provide a large-scale underwater object detection dataset with both bounding box annotations and high quality reference images, namely OUC dataset. The OUC dataset provides a platform for researchers to comprehensive study the influence of underwater image enhancement algorithms on the underwater object detection task.

研究动机与目标

• 为解决缺乏公开可用的水下数据集，这些数据集同时包含高质量参考图像和目标检测边界框标注的问题。
• 研究水下图像增强（UIE）算法对后续水下目标检测（UOD）性能的影响。
• 开发一种稳健的方法，结合人类感知与客观图像质量度量，生成高质量参考图像。
• 利用全参考图像质量评估与检测准确率，提供一个全面的先进 UIE 与 UOD 算法评估平台。
• 深入理解图像增强质量与下游检测性能之间的关系，超越非参考度量指标的局限。

提出的方法

• 提出一种混合参考图像生成方法，结合主观感知（通过观察者投票）与客观图像质量度量（MSE、PSNR、SSIM、PCQI）。
• 通过观察者对 11 种不同 UIE 算法在 1,198 对水下图像上的结果进行评分，共收集 3,698 张参考图像。
• 选择观察者一致性最高的图像（多数投票结果）作为最终参考图像，确保感知质量与一致性。
• 使用全参考图像质量度量（MSE、PSNR、SSIM、PCQI）对 OUC 数据集上的 UIE 性能进行定量评估。
• 在 OUC 数据集上训练并评估多种 UIE 算法（如 Retinex、Fusion、Two-step、GDCP），比较其对目标检测 mAP 的影响。
• 将数据集划分为 2,500 对训练图像与 1,198 对测试图像，将所有图像统一缩放为 512×512 以保证评估一致性。

实验结果

研究问题

• RQ1 不同水下图像增强（UIE）算法如何影响水下目标检测器的性能？
• RQ2 在水下场景中，全参考图像质量度量（如 PSNR、SSIM）与检测准确率（mAP）之间存在何种关系？
• RQ3 在高质量参考图像基准上评估时，哪种 UIE 方法能产生最符合人类感知且最优化检测性能的结果？
• RQ4 基于物理模型的方法与非物理模型的方法在处理多样的水下光照条件（如红、绿、蓝主导）时表现如何比较？
• RQ5 结合人类感知与客观度量的混合参考图像生成方法，是否能产生比单独使用主观或客观方法更可靠、更一致的参考图像？

主要发现

• OUC 数据集包含 1,198 对测试图像，每对均包含原始水下图像、高质量参考图像以及对应的边界框标注。
• 基于 Retinex 的增强方法在 OUC 数据集上实现了最高的平均精度均值（mAP）87.2，优于其他 UIE 方法。
• 基于 Fusion 的增强方法在 MSE（0.2816）、PSNR（28.5319）和 PCQI（0.8940）上得分最高，表明其在全参考图像质量方面表现最优。
• SSIM 评分显示，Retinex（0.8886）与 Fusion（0.8794）生成的结果与参考图像在结构上最相似。
• 基于物理模型的方法如 Regression 和 Histogram 分别引入了明显的蓝色与绿色失真，而 Two-step 方法则过度增强对比度，产生不自然的输出。
• 没有一种 UIE 方法在所有光照条件下均表现良好；例如，UDCP 会根据场景引入红或蓝色调，而 Blurriness 在红光主导场景中无法纠正颜色失真。