Aufgrund von Absorption und Streuung von Licht unter Wasser weisen Unterwasserbilder Farbverfälschungen und Detailverluste auf, was die anschließende Erkennung und Identifizierung von Unterwasserzielen erheblich beeinträchtigt. In diesem Artikel wird ein leichtgewichtiges generatives gegnerisches neuronales Netzwerkmodell mit vollständigen Faltungsschichten (DUnet-GAN) zur Verbesserung von Unterwasserbildern vorgeschlagen. Angesichts der Merkmale von Unterwasserbildern wurde eine Multi-Task-Ziel-Funktion vorgeschlagen, die es dem Modell ermöglicht, die Bildqualität aus Sicht des Gesamtinhalts, der Farbe, der lokalen Textur und der Stilinformationen zu verbessern. Darüber hinaus wurde ein Vergleich mit einigen wichtigen existierenden Modellen durchgeführt und eine quantitative Bewertung vorgenommen. Die Ergebnisse zeigen, dass das vorgeschlagene Modell im EUVP-Datensatz ein Spitzen-Signal-Rausch-Verhältnis von über 26 dB, eine strukturelle Ähnlichkeit von 0,8 und eine Parametergröße von 11 MB erreicht, was nur 5 % der Parametergröße anderer Modelle mit vergleichbarer Leistung entspricht und die Indikatoren des 26 MB großen FUNIE-GAN übertrifft. Gleichzeitig beträgt der UIQM 2,85, nur knapp hinter dem Cycle-GAN-Modell, und die subjektive Verstärkung ist deutlich sichtbar. Noch wichtiger ist, dass die verbesserten Bilder eine bessere Leistung für Modelle zur Unterwasserzielerkennung bieten und auch die Anforderungen an die Leichtbauweise von Modellen für Geräte wie Unterwasserroboter erfüllen.

generatives gegnerisches neuronales Netzwerk;Bildverbesserung;leichtgewichtig;Generator;Zielerkennung