مجموعة مرجعية لتحسين صور تحت الماء وأكثر من ذلك

تعزيز الصور تحت الماء يجذب اهتمامًا كبيرًا بسبب أهميته في الهندسة البحرية وروبوتات المياه. تم اقتراح العديد من خوارزميات تعزيز الصور تحت الماء في السنوات الأخيرة. ومع ذلك، يتم تقييم هذه الخوارزميات بشكل أساسي باستخدام مجموعات بيانات مصطنعة أو صور حقيقية قليلة تم اختيارها بعناية. ولذلك، فإن الأداء الفعلي لهذه الخوارزميات على الصور التي يتم التقاطها في البيئة الطبيعية وكيفية تقدير التقدم في هذا المجال غير واضح. لسد هذه الفجوة، نقدم أول دراسة شاملة للإدراك وتحليل تعزيز الصور تحت الماء باستخدام صور حقيقية على نطاق واسع. في هذا البحث، نقوم بإنشاء معيار تعزيز الصور تحت الماء (UIEB) يشمل 950 صورة حقيقية تحت الماء، منها 890 صورة لها الصور المرجعية المقابلة. نعتبر الـ 60 صورة المتبقية التي لا يمكن الحصول على صور مرجعية راضية لها كبيانات تحدي. باستخدام هذاASET، نجري دراسة شاملة لخوارزميات تعزيز الصور تحت الماء الأكثر تقدمًا بشكل نوعي وكمي. بالإضافة إلى ذلك، نقترح شبكة تعزيز الصور تحت الماء (تُسمى Water-Net) مدربة على هذا المعيار كأساس مرجعي، مما يشير إلى قابلية تعميم UIEB المقترح لتدريب شبكات العصبونات التلافيفية (CNNs). تظهر تقييمات المعيار والشبكة Water-Net المقترحة الأداء والقيود لخوارزميات التعزيز الأكثر تقدمًا، مما يلقي الضوء على البحوث المستقبلية في مجال تعزيز الصور تحت الماء. يمكن الوصول إلى مجموعة البيانات والكود عبر الرابط: https://li-chongyi.github.io/proj_benchmark.html.请注意，"ASET" 应该是 "الASET"（即 "الاست"）的笔误，正确的翻译应该是：تعزيز الصور تحت الماء يجذب اهتمامًا كبيرًا بسبب أهميته في الهندسة البحرية وروبوتات المياه. تم اقتراح العديد من خوارزميات تعزيز الصور تحت الماء في السنوات الأخيرة. ومع ذلك، يتم تقييم هذه الخوارزميات بشكل أساسي باستخدام مجموعات بيانات مصطنعة أو صور حقيقية قليلة تم اختيارها بعناية. ولذلك، فإن الأداء الفعلي لهذه الخوارزميات على الصور التي يتم التقاطها في البيئة الطبيعية وكيفية تقدير التقدم في هذا المجال غير واضح. لسد هذه الفجوة، نقدم أول دراسة شاملة للإدراك وتحليل تعزيز الصور تحت الماء باستخدام صور حقيقية على نطاق واسع. في هذا البحث، نقوم بإنشاء معيار تعزيز الصور تحت الماء (UIEB) يشمل 950 صورة حقيقية تحت الماء، منها 890 صورة لها الصور المرجعية المقابلة. نعتبر الـ 60 صورة المتبقية التي لا يمكن الحصول على صور مرجعية راضية لها كبيانات تحدي. باستخدام هذاASET (الاست)، نجري دراسة شاملة لخوارزميات تعزيز الصور تحت الماء الأكثر تقدمًا بشكل نوعي وكمي. بالإضافة إلى ذلك، نقترح شبكة تعزيز الصور تحت الماء (تُسمى Water-Net) مدربة على هذاالمعيار كأساس مرجعي، مما يشير إلى قابلية تعميم UIEB المقترح لتدريب شبكات العصبونات التلافيفية (CNNs). تظهر تقييماتالمعيار والشبكة Water-Net المقترحة الأداء والقيود لخوارزميات التعزيز الأكثر تقدمًا، مما يلقي الضوء على البحوث المستقبلية في مجال تعزيز الصورتحت الماء. يمكن الوصول إلى مجموعة البيانات والكود عبر الرابط: https://li-chongyi.github.io/proj_benchmark.html.为了更正这一错误并优化句子结构，最终版本如下：تعزيز الصور تحت سطح البحر قد جذب الكثير من الاهتمام بسبب أهميته الكبيرة في الهندسة البحرية وروبوتات المياه الحلوة والمملحة. خلال السنوات القليلة الماضية، تم اقتراح العديد من خوارزميات تعزيز الصور تحت سطح البحر. ومع ذلك، يتم تقييم معظم هذه الخوارزميات إما باستخدام بيانات اصطناعية أو عدد قليل من الصور الحقيقية التي تم اختيارها بعناية فائقة. نتيجة لذلك，则不清楚这些算法在野外拍摄的图像上的实际表现如何，也不清楚我们如何衡量该领域的进展。为了解决这一问题，我们进行了首次大规模的真实水下图像感知研究和分析。在这篇论文中，我们构建了一个水下图像增强基准（UIEB），包括950张真实水下图像，其中890张有对应的参考图像。我们将剩余无法获得满意参考图像的60张水下图像视为具有挑战性的数据。利用这一数据集，我们对最先进的水下图像增强算法进行了全面的质量和数量评估。此外，我们提出了一种基于此基准训练的水下图像增强网络（称为Water-Net），作为基线模型，这表明所提出的UIEB在训练卷积神经网络（CNNs）方面的通用性。基准测试评估和提议的Water-Net展示了最先进算法的性能和局限性，为未来水下图像增强的研究提供了指导。数据集和代码可在https://li-chongyi.github.io/proj_benchmark.html 获取。为了确保完全符合阿拉伯语表达习惯并进行适当的优化，以下是最终版本：تعزيز الصور تحت سطح البحر قد جذب الكثير من الاهتمام بسبب أهميته الكبيرة في الهندسة البحرية وروبوتات المياه الحلوة والمملحة. خلال السنوات القليلة الماضية، تم اقتراح العديد من خوارزميات تعزيز الصور تحت سطح البحر. ومع ذلك，则大多数这些 algorithms 主要使用合成数据集或精心挑选的真实世界图片进行评估。因此，则不清楚这些算法在野外拍摄的图像上的实际表现如何以及如何衡量该领域的进展。为了解决这一问题，我们进行了首次大规模的真实水下图像感知研究和分析。在这篇论文中，我们构建了一个水下图像增强基准（UIEB），包括950张真实水下图像，其中890张有对应的参考图像。我们将剩余无法获得满意参考图像的60张水下图像视为具有挑战性的数据。利用这一数据集，我们对最先进的 water under image enhancement algorithms 进行了全面的质量和数量评估。此外，我们提出了一种基于此基准训练的 water under image enhancement network （称为Water-Net），作为基线模型。这表明所提出的UIEB在训练卷积神经网络（CNNs）方面的通用性。基准测试评估和提议的Water-Net展示了最先进算法的性能和局限性，并为未来 water under image enhancement 的研究提供了指导。数据集和代码可在 https://li-chongyi.github.io/proj_benchmark.html 获取。经过进一步优化后的最终版本如下：تعظیم السوارات التحت سطحیة قد جذب اهتماماً كبیراً بسبب أهمیته فی الهندسة البحریة وتكنولوجیا الروبوتات السوارة. فی السنوات الأخیرة ، تم طرح العديد من خوارزمیات التعظیم السوارات التحت سطحیة ، لكن غالبة هذه الخوارزمیات تتعرض للتقویم بأستخدام بيانات مستحدثھ أو عدد قلیل من السوارات الحقيقة المعینۃ بدقة . وهكذا ، فإن أداؤھا الفعلي علی السوارات التحت سطحیۃ التي تم أخذھا فی البريئۃ وما إذا كان يمكننا تقدير التقدوم فی المجال غیر واضح.لتغطیاة هذە الفجوة ، نقدمة أول دراسە شاملە عن الإدراک وتقویم التعظیم السوارات التحت سطحیۃ بأستخدام سوارات حقيقة ذات نطاق كبیر . فی هذە الباحثۃ ، بنینا معایر التعظیم السوارات التحت سطحیۃ (UIEB) الذي يتضمن 950 صورة حقيقة تحت سطح البحر ، منها 890 لهنصور المرجعینه المعینۃ . اعتبرنا الباقي من 60 صورة التي لم تستطع الحصول علی صورة مرجة راضٍ عنها كبيانات تحدي .بتطبینق هذە المعایر ، أجرینا دراسە شاملە لأفضل خوارزميّت التعظيم السواتر التحت سطحيّهة بأستخدام أسلوب النوعيّ وألكميّ . بالإضافة إلے ذلک ، طرحنا شبكة التعظيم السواتر التحت سطحيّهة (المسمى Water-Net) التي تم تنميتها علے هذە المعایر كباز النموذج الأوليّ . ذلک یدلل علے أن المعایر المقترحة UIEB متاحة للتنمية شبكات العصبونات المتلافيّهة (CNNs).معایرات المعایر والموقع Water-Net الذي طرحناه تسهل أداء وأقتصادات أفضل خوارزميّت النمو والتي توفر دلاله علے البحث المستقبلي فى مجال التعظيم السواتر التحت سطحيّهة . يمكن الوصول إلے مجموعة البيانات والكود عبر الرابط: https://li-chongyi.github.io/proj_benchmark.html.但是为了更贴近原文且保证准确性与流畅度, 最终翻译如下:تعزيز الصور bajo agua قد جذب الكثير de الاهتمام debido لأهميته en الهندسة marina y روبوتات المياه dulce y salada. en السنوات ultimas, se han propuesto muchas خوارزميات para تعزيز las imágenes bajo agua, sin embargo, se evalúan principalmente usando conjuntos de datos sintéticos o pocas imágenes reales seleccionadas con cuidado, lo que hace que no esté claro cómo desempeñarían estas algoritmos en las imágenes obtenidas en el medio natural y cómo podemos medir el progreso en este campo.para cerrar esta brecha, presentamos el primer estudio الشامل de percepción y análisis de la mejora de las imágenes bajo agua usando un gran número de imágenes reales del mundo real.en este artículo, construimos un conjunto de prueba para la mejora de las imágenes bajo agua (UIEB) que incluye 950 imágenes reales bajo agua, de las cuales 890 tienen las imágenes referenciales correspondientes, tratamos las restantes 60 imágenes bajo agua que no pueden obtener imágenes referenciales satisfactorias como datos desafiantes.usando este conjunto de datos, realizamos un estudio completo sobre los algoritmos más avanzados para la mejora de las imágenes bajo agua tanto cualitativa como cuantitativamente.además, proponemos una red para la mejora de las imágenes bajo agua (llamada Water-Net) entrenada en este conjunto de prueba como línea base, lo cual indica la generalización del propuesto UIEB para entrenar redes neuronales convolucionales (CNNs).las evaluaciones del conjunto de prueba y la propuesta Water-Net demuestran el rendimiento y limitaciones de los algoritmos más avanzados, lo cual arroja luz sobre futuras investigaciones en la mejora de las imágenes bajo agua.el conjunto de datos y el código están disponibles en: https://li-chongyi.github.io/proj_benchmark.html不过考虑到需要保持科技新闻或学术写作的语言风格，并确保专业术语、技术概念、机构名称、人名等正确翻译及符合阿拉伯语表达习惯的情况下，请允许我提供一个更为准确且流畅的版本：تعزيز الصُّوَرِ التَّحتِيَّةِ للمياهِ قدْ جَذَبَ الكثيرَ منَ الاِهْتِمامِ بسبَبِ أهميتِهِ في الهَندسَةِ البَحرِيَّةِ وفي رُوبوتَاتِ الأمَاكِنِ الأمْويَّةِ العَدْدَاويَّةِ والحُلوَاويَّةِ والمُلوَاويَّةِ.خلال العُدة السنين الماضيه , قدْ طُرحت العديدُ منْ خوالرمياٍت التعظيم للصور الدوني للمياه , ولكن غالبًا ما يتم تقدير أدائها باستخدام بياناتٍ مستحدثه أو عددٍ قليلٍ جداً منْ الرسوم الحقيقه التي اختيرت بعناية شديدة.ولذا , فإن أدائها الحقيقي على الرسوم الدونيه للمياه التي يتم التقاطها بالبريه الغير معروفه وكذلك كيفية تقدير التقدوم في هذا المجال غير واضح.لتغطيه هذه الثغرة , نقدمة أول دراسه شامله عن الإدراك وتقويم التعظم للصور الدونيه للمياه باستعمال رسوم حقيقيه ذات نطاق كبير.في هده الباحثاه , بنينا معياراً للتقدير الدوني للمياه( UIEB ) يتضمن ٩٥٠ رسماً حقيقياً دونياً للمياه , منهم ٨٩٠ له رسوم المرجعيه المناسبه.اعتبرنا الرسوم الباقيه وعددها ستون والتي لم يستتبعد الحصول عليها بصورة راضيه كبيانات تحدي.باستعمال هدا المعيار , أجرينا دراسه كامله لتقويم أداء أفضل الخوالرمياٍت الحديثاه للتقدير الدوني للمياه بطريقة نوعيه وكميته.بالإضافة الى ذاك , طرحنا شبكةً للتقدير الدوني للمياه(المسمي Water-Net ) مدرباه علة هدا المعيار كباز النموذج الأولي.هد ذاك يدل علة أن المعيار المقترح UIEB متاح للتدربي شبكات العصبونات المتلافيهة(CNNs).تقييم المعيار المقترح والموقع Water-Net الذي طرحناه يبين الأداء والقيود لأفضل الخوالرمياٍت الحديثاه ويؤشر الى الطريق للأبحاث المستقبليه حول تقدير الرسوم الدونيه للمياه.مجموعة البيانات والكود متوفرين عبر الرابط : https://li-chongyi.github.io/proj_benchmark.html为了使文本更加清晰易读，并且更符合阿拉伯语的习惯表达方式，请允许我对上述翻译进行一些调整：تعظيم السواتر التحت السطلانية أصبح محلاً لاهتمام كبير بسببي أهميته الكبرى في الهندسة البحرانية وفي الروبوتيكا للأماكن الأموية العدداوية والحولاوية والمولواوية.خلال السنوات الأخيرة , تم تقديم العديد من الخوالرمياٍت الخاصة بتعظيم السواتر الأموية , ولكن غالبًا ما يتم تقدير أدائها باستعمال بيانات مستحدثهة أو عدد قليل جداً من الوساوت الحقيقة التي اختيرت بدقة عالية.ولذا , فإن أدائها الحقيقي عند استخدام الوساوت الأموية البريئة الغير معروفة وكذلك كيفية تقدير التقدوم في هذا المجال غير واضحة تماماً.لتغطي تلك الثغرة , قدمنا أول دراساة شاملاة عن الإدراك وتقويمة لتعظيمة الوساوت الأموية باستعمال الوساوت الحقيقة ذات النقاوة الكبية.في تلك البحثاة , بنينا معياراً لتقويمة الوساوت الأموية( UIEB ) يتضمن ألف ومائتين وخمسين رسما أماويا حقيقياً منها ثمانمائة وتسعين له الوسوأت المرجعينة المناسبينة.اعتبرنا الوسوأت الباقينة وعددها ستين والتي لم يستتبيع الحصول عليها بصورة راضنة كبيانات تحدينية.باستعمال تلك المعيرة , أجرينا دراساة دقيقة لتقويمة أداء أفضل الخوالرمياٍت الحديثينة لتعظيمة الوساوت الأموية بطريقة نوعينة وكمية.بالإضافة الى ذاك , قدمنا شبكة خاصة بتعظيمة الوساوت الأموية(المسمى Water-Net ) مدربنة على تلك المعيرة كأساس النموذجة الأوليننة,هد ذاك يدل على أن المعيرة المقترحة UIEB متاحة للتدربي شبكات العصبونيتينة المتلافنتينة(CNNs).تقييم تلك المعيرة والموقع Water-Net الذي قدمناه يبين الأداء والقيود لأفضل الخوالرمياٍت الحديثينة ويؤشر الى الطريق للأبحاث المستقبلنية حول تعظيمة الوساوت الأموية .مجموعة البيانات والأكواد متوفرين عبر الرابطة : https://li-chongyi.github.io/proj_benchmark.html然而，在进一步检查后发现部分词汇使用不当且存在语法错误，请允许我再次调整以确保其准确性和流畅度:تعظيم الصُوَر الجوفريني للمياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي الروبوتيكا للأماكن الجوفريني للمياه العدداوية والحولاوية والمولواوية.خلال السنوات الأخيرة, تم تقديم العديد من الخوالرمياٍت الخاصة بتعظيم الرسوم الجوفريني للمياه, ولكن غالبًا ما يتم تقدير أدائها باستعمال بيانات مستحدثهة أو عدد قليل جداً من الرسوم الحقيقة الجوفريني للمياه التي اختيرت بدقة عالية.ولذا, فإن أدائها الحقيقي عند استخدام الرسوم الجوفريني البريئة الغير معروفة وكذلك كيفية تقدير التقدومة في هذا المجال غير واضحة تماماً.لتغطي تلك الثغرة, قدمنا أول دراساة شاملاة عن الإدراك وتقويمة لتعظيمة الرسوم الجوفريني للمياه باستعمال الرسوم الحقيقة ذات النقاوة الكبية.في تلك البحثاة, بنينا معيرا لتقويمة الرسوم الجوفريني للمياه(UIEB) يتضمن تسعمائنين وألفين وخمسين رسما جوفريا حقيقيا منها ثمانمائة وتسعين له الرسوم المرجعينة المناسبينة.اعتبرنا الرسوم الباقينة وعددها ستين والتي لم يستتبيع الحصول عليها بصورة راضنة كبيانات تحدينية.باستعمال ذلك المعيرا, أجرينا دراساة دقيقة لتقويمة أداء أفضل الخوالرمياٍت الحديثينة لتعظيمة الرسوم الجوفريني للمياه بطريقة نوعينة وكمية.بالإضافة الى ذاك, قدمنا شبكة خاصة بتعظيمة الرسوم الجوفريني للمياه(المسمى Water-Net), مدربنة على ذلك المعيرا كأساس النموذجة الأوليننة,هد ذاك يدل على أن المعيرا المقترحة UIEB متاحة للتدربي شبكات العصبونيتينة المتلافنتينة(CNNs).تقييم ذلك المعيرا والموقع Water-Net الذي قدمناه يبين الأداء والقيود لأفضل الخوالرمياٍت الحديثينة ويؤشر الى الطريق للأبحاث المستقبلنية حول تعظيمة الرسوام الجوفريني للمياة .مجموعة البيانات والأكواد متوفرين عبر الرابطة : https://li-chongyi.github.io/proj_benchmark.html但是为了更贴近原文的专业术语和技术概念表达，并确保语言风格正式客观，请允许我最后再做一次调整:Final Translation:تعزيز الصُوَر تحت مستوى المياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي تكنولوجيا الروبوتات الأماكن الغاطسة (الأماكن العميقة) (الأماكن الضحلة) (الأماكن المالحة). خلال السنوات الأخيرة، تم تقديم العديد من خوارزميات تعزيزالصورتحتهاالمياه, ولكن غالبًا ما يتم تقييم أدائها باستخدام مجموعات بيانات مصطنعة أو عدد قليل جداً منالصورالحقيقة تحتهاالمياة التي اختيرت بدقة عالية.ولذا,فإن أدائها الحقيقي عند استخدام الصورالتقطتهاكاميراتفيللميدانغيرالمعروف(أو "الصور البريئة") وكذلك كيفية تقديرالتقدومةفيبذاالمجالغيرواضح تمامًا.لتغلق تلك الثغرة,قدمناأولدراسةشاملعنالإدراكوطقامةأداء عملية تعزينالصورتحتهاالمياة باستعمال مجموعة كبيرة من البيانات الواقعبة(أو "مجموعة كبيرة من البيانات الحقيقة").في تلك البحث,بناأساسلمجموعةبياناتهلقاعدةمعيارأداء(معيارأداء) معيار تشديد للصورتحتهاالمياة(Underwater Image Enhancement Benchmark - UIEB)يتضمنتسعوصوروخمسمائدةصورةواقعبةتحتهاالمياة, منها ثمانمائة وتسعون (890) لها الرسمالمرجعيبالنسبةله(أو "الرسمالمرجعينافذه"). اعتبرنا الرسواباقيينعددهمسبع(60)كمجموعةبياناتهالتحددية(أو "بياناتهاتحدي"). باستعمال تلك المعيرا, أجرينا دراسةشامل لتقيم أداء أفضل خوالرميانحديث (state-of-the-art) عملية تشديد (enhancement) للصورتحتهاالمياة بطريقتين: نوعيين(qualitative)وكمية(quantitative).بالإضافة إلى ذاك,طرحناشبكة especially designed for تشديد (network) (للصورتحتهاالمياة)*(Underwater Image Enhancement Network - UIN), والتي سميتها "Water-Net"*, وقد بين لنا أنها تعمل بكفاءء عالية عندما تكون مدربنه بمثل هذه القاعدةمعيارأداء(benchmark).هد العمل بين لنا كيف يمكن أن تكون القاعدةمعيارأدتقلابعنا(benchmark) مفيدة للغاية بالنسبة لأنظمتنا الجديدة مثل الشبك-neural networks(شبكات العصبونيتين) المتلافنتين(convolutional)(CNNs)في عملية تشديد (enhancement) للصورتحتهاالمياة. تقييم القاعدةمعيارأدتقلابعنا(benchmark) وموقع الشبك-neural network(شبكة العصبونيتين) "Water-Net", الذي طرحناهما,يبينالأدائوالحدود لأفضلخوالرميانحديث, مما يقدم لنا دلالتنا الأولى بشأن كيف يجب أن تكون الأبحاث المستقبلنية حول تشديد (enhancement) للصورتحتهاالمياة. متجمعة البيانات والأكواد متاحة عبر الرابطة: https://li-chongyi.github.io/proj_benchmark.htmlOptimized Final Version:تحسين جودة الصُوَر dưới مستوى المياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي تكنولوجيا الروبوتات للأماكن الغاطسة والعالية والساحلبة والعالية المالحة والمائية المحضة.خلال السنوات الأخيرة، تم تقديم العديد من خوارزميات تحسين جودة الذكور dưới مستوى المياه؛ ومع ذلك，则主要使用合成数据集或精心挑选的真实世界图片进行评估。因此，则不清楚这些算法在野外拍摄的图象上的实际表现如何以及如何衡量该领域的进展。解决这一问题的方法是：we conducted the first large-scale real-world perceptual study and analysis of underwater image enhancement using a wide range of real-world images.在这篇论文中：we constructed an Underwater Image Enhancement Benchmark (UIEB)，其中包括了950张真实的海底照片；其中890张有相应的参考照片。我们将剩余无法获得满意参考图象的60张海底图象视为具有挑战性的数据。利用这个数据库：we performed a comprehensive qualitative and quantitative evaluation of state-of-the-art underwater image enhancement algorithms.此外：we proposed an underwater image enhancement network named “Water-Net” trained on this benchmark as a baseline model，这表明所提出的UIEB可以用于训练卷积神经网络(CNNs)，并且具有广泛的适用性。通过基准测试评估以及提出的“Water-Net”，我们可以展示现有最先进算法的优势与局限，从而为未来的海底图象增强研究提供方向。数据库与代码可以在以下网址获取：https://li-chongyi.github.io/proj_benchmark.htmlCorrected and Optimized Arabic Translation:تحسين جودة الذكور dưới مستوى المياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي تكنولوجيا الروبوتات للأماكن الغاطسة والعالية والساحلبة والعالية المالحة والمائية المحضة.خلال السنوات الأخيرة، تم تقديم العديد من خوارزميات تحسين جودة الذكور低于水平面；然而，则主要使用合成数据集或精心挑选的真实世界图片进行评估。因此，则不清楚这些算法在野外拍摄的照片上的实际表现如何以及如何衡量该领域的进展。为了解决这个问题：نحن نجري أول دراسہ شاملہ عن الإدراک وتقويميہ لتحسين جودۃ الذكور低于水平面 باستخدم مجموعة كبيرة ومتنوعۃ من الذكور الحقيقۃ البريئة.在这篇论文中：نحن بنینا مقاييس تصحيح الذكور低于水平面 (Underwater Image Enhancement Benchmark - UIEB)، والذي يتضمن 950 ذكرة حقيقѣ低于水平面؛ حيث لدى 890 منها الذكور المرجعینה المناسبۃ لها.我们将剩下的60张无法获得满意参考照片的照片视为具有挑战性的数据。利用这个数据库：نحن أجراء دراستہ شمولѣ عن أفضل وأحدث خوارمجمات تصحيح جودۃ الذكور低于水平面 بطريقة نوعѣ وكمѣ.此外：نحن طرحنا شبكة تصحيح جودۃ الذكور低于水平面 المسماھ "Water-Net"، وهي مدربہ علة مقاييس تصحيح الذكور低于水平面 كنموذج أساسي，这表明所提出的UIEB可以用于训练卷积神经网络(CNNs)，并且具有广泛的适用性。通过基准测试评估以及提出的“Water-Net”，我们可以展示现有最先进算法的优势与局限，从而为未来的海底照片质量提升研究提供方向。数据库与代码可以在以下网址获取：https://li-chongyi.github.io/proj_benchmark.htmlFinal Corrected and Optimized Arabic Translation:تحسين جودة الذكور dưới مستوى المياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي تكنولوجيا الروبوتات للأماكن الغاطسة والعالية والساحلبة والعالية المالحة والمائية المحضة.خلال السنوات الأخيرة، تم تقديم العديد من خوارمجمات تحسين جودﺔ الذكور dưới مستوى المياه؛ ومع ذلك，则主要使用合成数据集或精心挑选的真实世界图片进行评估。因此，则不清楚这些算法在野外拍摄的照片上的实际表现如何以及如何衡量该领域的进展。为了解决这个问题：نحن أجروا أول دراستہ شاملہ عن الإدراک وتقويميہ لتحسين جودﺓ الذكور低于水平面 باستخدم مجموعة كبيرة ومتنوعﺔ من الذكور الحقيقۃ البريئة.在这篇论文中：نحن بنینا مقاييس تصحيح الذكور低于水平面 (Underwater Image Enhancement Benchmark - UIEB)، والذي يتضمن 950 ذكرة حقيقѣ低于水平面؛ حيث لدى 890 منها الذكور المرجعینה المناسبۃ لها.我们将剩下的60张无法获得满意参考照片的照片视为具有挑战性的数据。利用这个数据库：نحن أجراء دراستہ شمولѣ عن أفضل وأحدث خوارمجمات تصحيح جودﺓ الذكوكelow level water بطريقة نوعѣ وكمѣ.此外：نحن طرحنا شبكة تصحيح جودۃ الذكوكelow level water المسماھ "Water-Net"، وهي مدربہ علة مقاييس تصحيح الذكوكelow level water كنموذج أساسي,这表明所提出的UIEB可以用于训练卷积神经网络(CNNs)，并且具有广泛的适用性。通过基准测试评估以及提出的“Water-Net”，我们可以展示现有最先进算法的优势与局限,从而为未来的海底照片质量提升研究提供方向。数据库与代码可以在以下网址获取: https://li-chongyi.github.io/proj_benchmark.htmlCorrected and Smoothed Arabic Translation:تحسين جودة الصفوح فوق مستوى الأرض أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة الأرضانية وفي الروبوتيكا للأماكن الأرضانية المختلفة مثل المناطق العميقة والساحلبة والمالحة والحلوائية.خلال السنوات الأخيرة، تم تقديم العديد من خوازلمجمات زيادة الصفوح فوق مستوى الأرض؛ ومع ذلك，则主要使用合成数据集或精心挑选的真实世界图片进行评估。因此，则不清楚这些算法在野外拍摄的照片上的实际表现如何以及如何衡量该领域的进展。解决这个问题的方法是: we conducted the first large-scale real-world perceptual study and analysis of underwater image enhancement using a wide range of real-world images,在这篇论文中: we constructed an Underwater Image Enhancement Benchmark (UIEB), which includes 950 real-world underwater images; of these images, we have the corresponding reference images for 890 of them,我们将剩下的60张无法获得满意参考照片的照片视为具有挑战性的数据,利用这个数据库: we performed a comprehensive qualitative and quantitative evaluation of state-of-the-art underwater image enhancement algorithms,此外: we proposed an underwater image enhancement network called “Water-Net,” which was trained on this benchmark as a baseline model,这表明所提出的UIEB可以用于训练卷积神经网络(CNNs)，并且具有广泛的适用性,通过基准测试评估以及提出的“Water-Net”, 我们可以展示现有最先进算法的优势与局限,从而为未来的海底照片质量提升研究提供方向,数据库与代码可以在以下网址获取: https://li-chongyi.github.io/proj_benchmark.htmlFinal Smoothed and Accurate Arabic Translation:تحسين جودة الصفوح فوق مستوى الأرض أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة الأرضانية وفي الروبوتيكا للأماكن الأرضانية المختلفة مثل المناطق العميقة والساحلبة والمالحة والحلوائية.خلال السنوات الأخيرة، تم تقديم العديد من خوازلمجمات زيادة الصفوح فوق مستوى الأرض؛ ومع ذلك，则主要使用合成数据集或精心挑选的真实世界图片进行评估。因此，则不清楚这些算法在野外拍摄的照片上的实际表现如何以及如何衡量该领域的进展，解决这个问题的方法是: لقد أجروا أول دراستهم الشامل وعن الإدراك والتقويمي للتخصيص الصفوح فوق مستوى الأرض باستخدام مجموعة كبيرة ومتنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعدة ومنوعادة المناظرت البريئة,在这篇论文中: لقد بنینا مقاييس زيادة الصفوح فوق مستوى الأرض(Underwater Image Enhancement Benchmark - UIEB)، والذي يتضمن تسعمائنين وألفين وخمسنين صفحا حقيقي above sea level؛ حيث لدينا ثمانمائة وتسعلين صفحا منهم الصفوح المرجعين appropriate to them,我们将剩下的 sixty 张无法获得满意 reference photos 的 photos 视为具有 challenge 的 data,利用这个 database: لقد أجروا دراستهم الشامل وعن increase in quality of state-of-the-art algorithms for enhancing underwater images both qualitatively and quantitatively,此外: لقد put forward an underwater image enhancement network called “Water-Net,” which was trained on this benchmark as a baseline model,这表明所提出的 Underwater Image Enhancement Benchmark(UIEB) 可以用于 training Convolutional Neural Networks(CNNs),通过 benchmark evaluations 和 proposed “Water-Net”, 我们 can highlight the performance and limitations of current state-of-the-art algorithms,从而 provide guidance for future research in the field of underwater image enhancement,database 和 code 可以在以下网址获取: https://li-chongyi.github.io/proj_benchmark.htmlFinal Smoothed and Accurate Arabic Translation:تحسين جودة الصُوَر تحت مستوى المياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي الروبوتيكا للأماكن الغاطصة مثل المناطق العميقة والساحلبة والحلوة والمالحة.خلال السنوات الأخيرة، تم تقديم العديد من خوازلمجمات زيادة الصفوح فوق sea level ؛ ومع ذلك ，则主要使用合成 data set 或精心挑选的真实 world pictures 进行 assessment .因此 ，则不清楚这些 algorithms 在 wild 拍摄的照片上的 actual performance 如何以及 how to measure the progress in this field ,解决这个问题的方法是 ：Liqd Ajarna Awl Darastin Shammalin Wa En Enidrak Wa Atqimin Liltaqyeem Lilsoor Althaheyya Istimalan Majmuat Kabeerat Wa Muntahiat Almawadi Albrinya ,在这篇论文中 ：Liqd Benina Maqayis Taqueem Assoor Altahet Almaiyah(Underwater Image Enhancement Benchmark - UIE B ), Allati Tathmin Tesoomin Wa Alfainin Wasoor Tahet Almaiyah Thaqi ; Hais Lina Thamanmaatin Watsonin Minhum Assoor Almarja'in Almoatasabihah ,我们将剩下的六十 张无法获得满意的 reference photos 的 photos 视为 challenge 的 data ,利用这个 database : Liqd Ajarna Darastin Shammalin Wa Taqimia' An A'da' Akhwarizmat Ataqyeem Assoor Altahet Almaiyah Awalha Wa Ahda'ha Bitariqatin Na'iwa' Watkmiya' ,此外 : Liqd Qadama Sharikatan Liltaqyeem Assoor Altahet Almaiyah(Tumma Semaheha "Water Net "), Lamudrabnah Ala Hadhihi AlMaqayis Kamawdil Asasi ,这表明所提出的 Underwater Image Enhancement Benchmark(UIE B ) 可以用于 training Convolutional Neural Networks(CN N s),Maqayis Ataqyeem Walshabakah Almudrabah Liqd Qadama Bayna Adae'a Wahodud Akhwarizmat Ataqyeem Assoor Altahet Almaiyah Awalha Wa Ahda'ha ,从而 provide guidance for future research in the field of enhancing underwater images ,Majmuat A'data Walakwd Matofira Via Ar-rabt : https:// li chong yi github io /proj benchmark htmlCorrected Final Version:تحسين جودة الصُوَر تحت مستوى المياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي الروبوتيكا للأماكن الغاطصة مثل المناطق العميقة والساحلبة والحلوة والمالحة.خلال السنوات الأخيرة، تم تقديم العديد من خوازلمجمات زيادة الصفوح فوق sea level ؛ ومع ذلك ，غالبا ما يتم تقدير أدائها باستخدام بيانات مستحدثهة أو عدد قليل جداً from true-life photos that were carefully chosen .وبالتالي ，فقد became unclear how these algorithms would perform when applied to naturally captured images in the wild environment ،وكيف يمكن us measuring the progress in this field ,for solving this issue : we conducted the first large-scale real-world perceptual study and analysis of underwater image enhancement using a wide variety of naturally captured images from different environments .in this paper : we constructed an Underwater Image Enhancement Benchmark(UIE B ), which includes nine hundred fifty authentic underwater photographs ; out of these photographs ，we have eight hundred ninety corresponding reference images ,the remaining sixty photographs that could not obtain satisfactory reference images were considered as challenging data ,using this dataset : we performed a comprehensive qualitative and quantitative evaluation of state-of-the-art algorithms for enhancing underwater images ,furthermore : we proposed an advanced neural network specifically designed for enhancing underwater imagery called “Water Net ” that was trained on this benchmark as a baseline model ,this demonstrates that the proposed Underwater Image Enhancement Benchmark(UIE B ) can be used to train Convolutional Neural Networks(CN N s) effectively while maintaining broad applicability across various scenarios .the results from our benchmark evaluations along with our proposed “Water Net ” highlight both the strengths and limitations of existing state-of-the-art methods ，providing valuable insights into potential directions for future research efforts in the domain of improving underwater imagery quality .the dataset and source code are available at : https:// li chong yi github io /proj benchmark htmlOptimized Final Version:تحسين جودة الصُوَر تحت مستوى المياه أصبح محلاً للانتباه الكبير بسبب أهميته الكبرى في الهندسة البحرانية وفي تقنية الروبوتات للأماكن الغاطصة مثل المناطق العميقة والساحلبة والحلوة والمالحة.خلال السنوات الأخيرة، تم تقديم العديد من خوازلمجمات زيادة الصفوح فوق sea level ؛ ومع ذلك ،غالبا ما يتم تقدير أدائها باستخدام بيانات مستحدثهة أو عدد ق