Atenção Separada: Um Método Melhorado de Melhoria de Imagens Subaquáticas Baseado em Cycle GAN

Neste artigo, apresentamos um modelo melhorado baseado em Cycle GAN para aprimoramento de imagens subaquáticas. Utilizamos a técnica de aprendizado consistente de ciclo do modelo Cycle GAN de ponta, com modificação na função de perda em termos de atenção orientada por profundidade que melhora o contraste da imagem geral, mantendo o conteúdo global, cor, textura local e informações de estilo intactas. Treinamos o modelo Cycle GAN com as funções de perda modificadas no conjunto de dados benchmark Enhancing Underwater Visual Perception (EUPV), um grande conjunto de dados que inclui conjuntos pareados e não pareados de imagens subaquáticas (de qualidade baixa e boa) capturadas com sete câmeras distintas em uma variedade de situações de visibilidade durante a pesquisa sobre exploração oceânica e cooperação humano-robô. Além disso, realizamos uma avaliação qualitativa e quantitativa que apoia a técnica aplicada e fornece um modelo de aprimoramento de contraste melhor para imagens subaquáticas. Mais significativamente, as imagens aprimoradas proporcionam melhores resultados em relação a modelos convencionais e, além disso, para navegação subaquática, estimativa de pose, previsão de saliência, detecção e rastreamento de objetos. Os resultados validam a adequação do modelo para veículos subaquáticos autônomos (AUV) na navegação visual.