UIEB
PulseAugur coverage of UIEB — every cluster mentioning UIEB across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SandBAR架构改进水下图像恢复
研究人员开发了SandBAR,这是一种新颖的架构,旨在通过解决退化水下图像固有的带不对称性来改进水下图像恢复。该架构区分了大规模外观失真和局部高频细节损失,并对两者应用了定制的恢复技术。SandBAR包含独特的低频引导路径和多尺度空间频率目标,以增强全局颜色和精细结构保留。此外,后注意力脚手架训练(PaST)方法允许使用在推理时移除的额外容量进行训练,在不增加计算成本的情况下保持性能。
-
物理引导图像复原模型的物理模块受到质疑
研究人员审计了 PhysGuide-Net,一个用于水下图像复原的物理引导网络。他们的实验表明,虽然物理模块在有限的训练数据下提供了一些性能提升,但与对照模型相比,在零样本评估结果上没有显著改善。此外,预测的传输图与范围等物理量没有强相关性,这表明该模块的优势源于物理塑造的归纳偏置,而非真实的物理表示。研究还发现了一些实现缺陷,这些缺陷可能会使先前的损失消融研究失效。
-
新数据集和模型推动水下图像增强技术发展 · 跟踪 4 个来源
研究人员推出了几个用于改进水下图像增强 (UIE) 的新框架和数据集。$\pi$-SUB 数据集采用物理信息框架开发,旨在通过整合详细的环境因素,弥合合成水下图像与真实水下图像之间的差距。与现有数据集相比,它在超真实感和泛化能力方面显示出显著的改进。此外,还提出了 CoRe-UIE 和 PROTEUS 等新的 UIE 架构,它们通过采用专家协作和退化引导特征适应来解决共存退化和区域变化等挑战。
-
新AI方法增强水下图像和目标检测
研究人员开发了用于增强水下图像的新方法,解决了可见度差、颜色失真和模糊等问题。一种方法利用了深度展开网络,该网络结合了Mamba层来捕捉场景相似性,并使用近邻轨迹损失来保持一致性。另一种方法采用迁移学习和基于物理的分解,利用来自其他视觉任务的先验知识,而无需配对标签。第三个框架使用双分支系统来联合优化图像增强和目标检测,提高下游任务的清晰度和颜色准确性。