引入多尺度特征调制网络以推进水下图像增强

他们的研究发表在 《沙特国王大学学报 - 计算机与信息科学》上，解决了提高水下环境中图像质量的挑战，同时考虑了低内存和计算能力设备的局限性。

高质量图像对于许多水下应用非常重要，包括渔业监测、环境和物种保护。然而，大多数基于深度学习的水下图像增强网络并不适合内存和计算能力有限的水下设备平台。这种冲突对提高水下图像的质量提出了重大挑战。

本研究中的方法被称为简单而有效的多尺度特征调制网络(MFMN)，在模型效率和重建性能之间实现了更好的权衡。

“关键部分是多尺度调制模块和通道混合模块。”团队成员王六三博士解释道。

通过结合类似于视觉变换器的多尺度调制模块，网络从输入图像中提取特征并动态选择图像空间中的代表性特征。

为了解决通道特征信息的缺乏，引入通道混合模块来增强空间视角。

实验结果表明，与现有技术相比，MFMN 方法显着减少了网络参数，使其小了 8.5 倍。尽管尺寸较小，但该方法以较低的计算成本实现了相似的性能。

研究小组表示，这些发现对水下渔业监测和环境保护等应用具有广阔的前景。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！