论文地址:https://doi.org/10.1007/s11263-024-01987-y
源码:https://github.com/zhoujingchun03/HCLR-Net
摘要:
由于水下环境复杂多样,导致光吸收、散射和色彩失真等严重退化现象,因此水下图像增强是一项重大挑战。更重要的是,为这些场景获取配对训练数据是一项具有挑战性的任务,这进一步阻碍了增强模型的泛化性能。为了解决这些问题,提出了一种新方法--混合对比学习正则化(HCLR-Net)。此方法建立在一种独特的混合对比学习正则化策略之上,其中包含一种构建负样本的独特方法。这种方法能使网络形成更稳健的样本分布。值得注意的是,HCLR-Net对正样本和负样本都采用了非配对数据,并利用局部斑块扰动创新性地重建了负样本。这一策略克服了仅依赖配对数据的限制,提高了模型的泛化潜力。HCLR-Net 还集成了自适应混合注意力模块和细节修复分支,分别用于有效的特征提取和纹理细节修复。
贡献:
1)提出了一种用于水下图像增强的创新型混合对比学习模型,以解决水下场景中普遍存在的成像质量不理想的问题。独特贡献在于开发了一种处理负样本的新策略,既保留了负样本的统计特性,又防止网络过度剖析这些样本中的特征信息。这种平衡确保了网络的学习能力不会减弱,从而为在水下图像中突出复杂特征这一复杂挑战提供了稳健的解决方案。
2)设计了一种新颖的双分支网络架构来应对水下退化因素的复杂耦合。该架构包含一个自适应混合注意力(AHA)模块,作为提高模型性能的基础组件。我们创新的定向特征编码策略可捕捉长程依赖性和准确的位置信
3809



被折叠的 条评论
为什么被折叠?



