基于BcGAN的水下图像增强方法

作者：李耀; 于腾; 杨国为^*

来源：计算机工程与设计, 2022, 43(11): 3195-3201.

DOI：10.16208/j.issn1000-7024.2022.11.026

• 深度学习
• 水下图像增强
• 条件生成对抗网络
• SOS boosting策略
• 多尺度

针对目前水下图像增强的结果中存在雾度残留以及细节模糊的问题,提出一种基于条件生成对抗网络(cGAN)的Boosting水下图像增强方法 (BcGAN)。在编码器-解码器结构的基础上引入SOS boosting策略得到增强生成器,实现对图像特征的逐步细化;提出双重判别器结构,实现对多尺度输入的判别,以WGAN-GP损失为主导构建双重判别器的联合训练损失函数。实验结果表明,相比最新的深度学习水下图像增强方法,所提方法的结构相似性(SSIM)值提升了7.15%,峰值信噪比(PSNR)值提升了45.46%,该方法能够有效减少水下图像的雾度残留并增强图像细节。

• 单位
  南京审计大学; 青岛大学