UDBE: Unsupervised Diffusion-based Brightness Enhancement in Underwater Images

要約

水中環境でのアクティビティは、いくつかのシナリオで最も重要であり、水中画像強化技術の継続的な開発を促進しています。
このドメインの主要な課題は、画像がキャプチャされる深さであり、深さが増加すると環境が暗いことです。
水中画像強化のためのほとんどの既存の方法は、ノイズの除去と色の調整に焦点を当てており、明るさの向上に特化した作品はほとんどありません。
この作業では、拡散モデルを使用した水中画像強化への監視されていない新しい学習アプローチを紹介します。
Udbeと呼ばれるこの方法は、対応のない入力画像の輝度の詳細を維持するための条件付き拡散に基づいています。
入力画像は、カラーマップと信号ノイズ関係マップ（SNR）と組み合わされて、安定したトレーニングを確保し、出力画像の色の歪みを防ぎます。
結果は、私たちのアプローチがデータセットUIEB、Suim、Ruieで、確立された水中画像ベンチマークで印象的な精度率を達成していることを示しています。
さらに、実験は、画質メトリックPSNR、SSIM、UIQM、およびUISMに関するアプローチの堅牢性を検証し、輝度強化プロセスの良好なパフォーマンスを示しています。
ソースコードは、https：//github.com/gusanagy/udbeで入手できます。

要約(オリジナル)

Activities in underwater environments are paramount in several scenarios, which drives the continuous development of underwater image enhancement techniques. A major challenge in this domain is the depth at which images are captured, with increasing depth resulting in a darker environment. Most existing methods for underwater image enhancement focus on noise removal and color adjustment, with few works dedicated to brightness enhancement. This work introduces a novel unsupervised learning approach to underwater image enhancement using a diffusion model. Our method, called UDBE, is based on conditional diffusion to maintain the brightness details of the unpaired input images. The input image is combined with a color map and a Signal-Noise Relation map (SNR) to ensure stable training and prevent color distortion in the output images. The results demonstrate that our approach achieves an impressive accuracy rate in the datasets UIEB, SUIM and RUIE, well-established underwater image benchmarks. Additionally, the experiments validate the robustness of our approach, regarding the image quality metrics PSNR, SSIM, UIQM, and UISM, indicating the good performance of the brightness enhancement process. The source code is available here: https://github.com/gusanagy/UDBE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google