[论文解读] 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 51

一句话总结

本论文提出一种水下图像增强算法，将深度学习与图像形成模型相结合，纠正色彩失真、增强细节、提升感知质量，同时实现比竞争方法更快的计算速度。

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.

研究动机与目标

• 解决水下图像的色彩失真和对比度低的问题。
• 将深度学习框架与图像形成模型结合使用。
• 提高 PSNR 和 SSIM 得分并提升特征匹配性能。

提出的方法

• 提出一个新颖的水下图像增强流程，将深度学习与物理图像形成模型融合。
• 通过补偿水下光衰和散射来提升颜色。
• 通过在图像形成过程引导下学习的表示来改善细节和对比度。
• 使用 PSNR 和 SSIM 指标评估性能并评估特征关键点匹配。
• 强调相对于其他方法的计算效率。

实验结果

研究问题

• RQ1 将基于深度学习的方法与图像形成模型结合，是否能有效抵消水下色彩失真？
• RQ2 提出的方法在保持比现有方法更快的计算速度的同时，是否能提高 PSNR 和 SSIM？
• RQ3 提升的图像质量是否有助于在水下场景中实现更好的特征关键点匹配？

主要发现

• 该方法丰富了颜色、增强细节，并缓解了水下环境因素。
• 在实验中获得更高的 PSNR 和 SSIM 得分。
• 实现了更好的特征关键点匹配结果。
• 相比竞争方法，计算速度显著更快。