Из-за поглощения и рассеяния света под водой подводные изображения страдают искажением цвета и потерей деталей, что серьезно влияет на последующее обнаружение и распознавание подводных объектов. В этой работе предложена легковесная генеративно-состязательная нейронная сеть с полностью сверточным слоем (DUnet-GAN) для улучшения подводных изображений. Учитывая особенности подводных изображений, была предложена многозадачная целевая функция, которая позволяет модели улучшать качество изображений с точки зрения общего содержания, цвета, локальной текстуры и стиля. Кроме того, проведено сравнение с некоторыми важными существующими моделями и количественная оценка. Результаты показывают, что в наборе данных EUVP предложенная модель достигает пикового отношения сигнал/шум выше 26 дБ, структурного сходства 0.8, веса параметров 11 МБ, что составляет лишь 5% от параметров других моделей с аналогичной производительностью, и превосходит показатели модели FUNIE-GAN с весом 26 МБ. Значение UIQM составляет 2.85, уступая только модели Cycle-GAN, при этом субъективный эффект усиления заметен. Более того, улучшенные изображения обеспечивают лучшую производительность для моделей обнаружения подводных объектов, а также удовлетворяют требованиям к легкости моделей для устройств, таких как подводные роботы.

генеративно-состязательная нейронная сеть;улучшение изображений;легковесная;генератор;обнаружение объектов