摘要

本文提出了一种基于条件生成对抗网络（Conditional Generative Adversarial Network, CGAN）的实时水下图像增强模型。为了监督对抗训练，我们设计了一个目标函数，该函数根据图像的整体内容、颜色、局部纹理和风格信息评估感知图像质量。此外，我们还介绍了EUVP数据集，这是一个大规模的数据集，包含配对和非配对的水下图像集合（“低质量”和“高质量”），这些图像是在不同的能见度条件下，使用七种不同相机在海洋探索和人机协作实验中拍摄的。我们进行了多项定性和定量评估，结果表明所提出的模型可以从配对和非配对训练中学习到提升水下图像质量的方法。更重要的是，增强后的图像提高了标准模型在水下物体检测、人体姿态估计和显著性预测方面的性能。这些结果验证了该模型适用于由视觉引导的自主水下机器人预处理管道中的实时预处理。该模型及其相关训练流程可在https://github.com/xahidbuffon/funie-gan 获取。