多输入GAN提升水下图像质量：去雾+色彩校正与细节增强

本文主要探讨了"基于多输入对抗网络的水下图像增强"这一主题，由林森和刘世本两位学者在辽宁工程技术大学电子与信息工程学院共同完成。他们的研究旨在解决水下图像常见的问题，如纹理模糊、对比度低和颜色失真，这些问题往往是由于水体的吸收和散射效应导致的。 文章的核心技术是构建一个多输入对抗网络。首先，他们采用了经典的去雾算法——DCP（Direct Color Profiling）来处理原始图像，去除由于水体影响造成的雾气，这有助于改善图像的基础质量。接着，对去雾后的图像进行白平衡（WB）处理，以及对比度受限的自适应直方图均衡化（CLAHE）以校正颜色并增强对比度，进一步提升图像的视觉效果。 为了减少WB和CLAHE可能带来的伪影和细节模糊，研究人员设计了两个子网络，它们负责过滤掉干扰信息，只保留重要的特征信息。这样做的目的是保持图像的自然性和细节完整性。随后，通过门控融合操作，将子网络输出的重要特征结合，再利用判别网络和预训练的VGG-19网络进行联合训练，优化网络性能，从而生成增强后的高质量水下图像。 实验结果显示，经过这种多输入对抗网络处理的水下图像色彩鲜明，细节清晰，视觉效果有了显著的提升。论文的研究成果对于水下视觉应用具有实际意义，尤其是在海洋探索、潜水摄影等领域。此外，文章还被归类为"生成对抗网络"、"融合"以及"密集块"等相关技术的主题，并且被标注为首发论文，表明其研究成果具有新颖性和创新性。 这篇论文深入研究了如何利用深度学习技术解决水下图像处理中的难题，通过多输入对抗网络的创新设计，提高了水下图像的质量，对于推动图像增强技术在实际应用中的发展具有积极的贡献。