研究目的
利用生成对抗网络（GAN）将空气中的图像转换为高质量的水下图像，以增强深度学习应用中的数据，解决水下图像数据有限的问题。
研究成果
所提出的基于生成对抗网络的方法能有效生成高质量水下图像，在结构相似性上优于传统方法及其他深度学习方法，同时保持良好的色彩相似性。该方法可为水下图像分类和识别等处理任务提供数据增强，且相比现有方法训练速度更快。
研究不足
该方法仅在极其清澈的海洋水域中进行了测试；未评估其在浑浊或其他类型水体中的性能。SIMILATION指标尚未普及，这可能会限制可比性。数据集的规模和多样性可能无法涵盖所有水下场景，且计算资源特定于高端GPU。
1：实验设计与方法选择：
该方法采用基于生成对抗网络（GAN）的方案，其生成器整合了水下成像模型（衰减与散射模型），将空气图像和深度图像转换为水下图像。判别器基于DCGAN结构。训练过程通过交叉熵损失函数和平衡权重进行极小极大博弈。
2：样本选择与数据来源：
空气图像及对应深度图像来自公开RGB-D数据集（7-Scenes场景数据集、NYU深度数据集v1/v2、UW RGB-D物体数据集），总计超过2万张。真实水下图像取自密歇根大学船舶水动力实验室（MHL）数据集，共1.5万张。每种类型随机选取8568张用于训练。
3：UW RGB-D物体数据集），总计超过2万张。真实水下图像取自密歇根大学船舶水动力实验室（MHL）数据集，共5万张。每种类型随机选取8568张用于训练。 实验设备与材料清单：
3. 实验设备与材料清单：使用配备NVIDIA GeForce GTX 1080Ti显卡、64G内存、3.6GHz英特尔酷睿CPU的服务器运行本方法及Li等学者方法；采用2.7GHz英特尔酷睿i5-6400 CPU、16GB内存PC机搭载MATLAB R2016运行Reinhard等学者和Nguyen等学者方法。
4：6GHz英特尔酷睿CPU的服务器运行本方法及Li等学者方法；采用7GHz英特尔酷睿i5-6400 CPU、16GB内存PC机搭载MATLAB R2016运行Reinhard等学者和Nguyen等学者方法。 实验流程与操作步骤：
4. 实验流程与操作步骤：生成器以空气图像、深度图像和噪声向量为输入，应用衰减与散射模型输出合成图像。判别器对真实/合成图像进行分类。训练采用128批量大小、0.0002学习率进行10轮次训练。通过结构相似性指标（SSIM、MS-SSIM）和色彩相似性指标（SIMILATION）评估图像质量。
5：0002学习率进行10轮次训练。通过结构相似性指标（SSIM、MS-SSIM）和色彩相似性指标（SIMILATION）评估图像质量。 数据分析方法：
5. 数据分析方法：采用SSIM、MS-SSIM评估结构相似性，SIMILATION评估色彩相似性?；谡庑┲副杲峁爰韧椒ǎ≧einhard等、Nguyen等、Li等）进行对比。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GPU
GeForce GTX 1080Ti
NVIDIA
Used for training the GAN models in the proposed and Li et al.'s methods, providing computational power for deep learning tasks.
-
CPU
Intel(R) Core(TM) i5-6400
Intel
Used for running MATLAB implementations of Reinhard et al. and Nguyen et al.'s methods on a PC.
-
Software
MATLAB R2016
MathWorks
Used to implement and run traditional color transfer methods (Reinhard et al. and Nguyen et al.) for comparison.
-
登录查看剩余1件设备及参数对照表
查看全部
