En raison de l'absorption et de la diffusion de la lumière sous l'eau, les images sous-marines présentent des distorsions de couleur et une perte de détails, ce qui affecte gravement la détection et la reconnaissance ultérieures des cibles sous-marines. Cet article propose un modèle de réseau neuronal antagoniste génératif léger à couche entièrement convolutionnelle (DUnet-GAN) pour améliorer les images sous-marines. En tenant compte des caractéristiques des images sous-marines, une fonction objectif multitâche a été proposée, permettant au modèle d'améliorer la qualité des images du point de vue du contenu global, de la couleur, de la texture locale et des informations stylistiques. De plus, une comparaison quantitative a été réalisée avec certains modèles importants existants. Les résultats montrent que le modèle proposé atteint un rapport signal-bruit de pointe supérieur à 26 dB, une similarité de structure de 0,8, une taille de paramètres de 11 Mo dans le jeu de données EUVP, ce qui représente seulement 5% de la taille des paramètres des autres modèles atteignant des performances équivalentes, et dépasse les indicateurs du FUNIE-GAN de 26 Mo. Le UIQM est de 2,85, juste derrière le modèle Cycle-GAN, avec un effet d'amélioration subjectif notable. Plus important encore, les images améliorées offrent de meilleures performances pour les modèles de détection de cibles sous-marines et répondent aux exigences de légèreté des modèles pour les équipements tels que les robots sous-marins.

réseau antagoniste génératif;amélioration d'image;légèreté;générateur;détection d'objectifs