【图像增强】开源 | Deep SESR模型解决水下机器人视觉的同步增强与超分辨率问题

论文地址：http://arxiv.org/pdf/2002.01155v1.pdf 代码：https://github.com/xahidbuffon/deep-sesr. 来源：明尼苏达大学 论文名称：Simultaneous Enhancement and Super-Resolution of Underwater Imageryfor Improved Visual Perception 原文作者：Md Jahidul Islam

为解决水下机器人视觉的同步增强与超分辨率(simultaneous enhancementand super-resolution，SESR)问题，本文提出了Deep SESR模型，为近实时应用提供了一种有效的解决方案。在本文中Deep SESR是一种residual-in-residual network-based的生成模型，可以学习在2、3或4个更高的空间分辨率下恢复感知图像质量。我们通过制定一个多模态目标函数来监督模型的训练，该函数解决了特定颜色的水下颜色退化、缺失图像清晰度和高层次特征表示损失的问题。它还监督学习图像中突出的前景区域，进而引导网络学习全局对比度增强。本文中还设计了端到端的训练方式，在共享的层次特征空间上联合学习显著性预测和SESR，从而实现快速推理。此外，提出了第一个方便大规模的SESR学习的数据集——UFO-120，包含了1500多个训练样本和120个样本的基准测试集。通过对UFO-120和其他标准数据集进行深入的实验评估，证明了Deep SESR在水下图像增强和超分辨率方面优于现有的解决方案。同时，我们也验证了DeepSESR在几个测试用例(具有不同光谱和空间退化水平的水下图像，以及具有不可见的自然物体的陆地图像)中的泛化性能。最后，我们分析了Deep SESR在单板部署中的计算可行性，并展示了它在水下机器人视觉导航中的操作优势。

下面是论文具体框架结构以及实验结果：

人工智能，每日面试题：

bootstrap数据是什么意思？

A.有放回地从总共M个特征中抽样m个特征

B.无放回地从总共M个特征中抽样m个特征

C.有放回地从总共N个样本中抽样n个样本

D.无放回地从总共N个样本中抽样n个样本

每日面试题，答案：

号主答案：C

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。