Ein Benchmark-Datensatz für die Verbesserung von Unterwasserbildern und darüber hinaus

Die Verbesserung von Unterwasserbildern zieht aufgrund ihrer Bedeutung für die Meeresingenieurwesen und aquatische Robotik zunehmend Aufmerksamkeit auf sich. In den letzten Jahren wurden zahlreiche Algorithmen zur Verbesserung von Unterwasserbildern vorgeschlagen. Diese Algorithmen werden jedoch hauptsächlich anhand synthetischer Datensätze oder einer kleinen Auswahl realer Bilder evaluiert. Es ist daher unklar, wie diese Algorithmen bei Bildern, die in der freien Natur aufgenommen wurden, abschneiden würden und wie wir den Fortschritt in diesem Bereich bewerten könnten. Um diese Lücke zu schließen, präsentieren wir die erste umfassende wahrnehmungsorientierte Studie und Analyse zur Verbesserung von Unterwasserbildern unter Verwendung groß angelegter realer Bilder. In dieser Arbeit erstellen wir einen Benchmark für die Verbesserung von Unterwasserbildern (UIEB), der 950 reale Unterwasserbilder enthält, wovon 890 über entsprechende Referenzbilder verfügen. Die restlichen 60 Unterwasserbilder, für die keine zufriedenstellenden Referenzbilder erlangt werden konnten, behandeln wir als herausfordernde Daten. Anhand dieses Datensatzes führen wir eine qualitative und quantitative Studie der neuesten Algorithmen zur Verbesserung von Unterwasserbildern durch. Darüber hinaus schlagen wir ein Netzwerk zur Verbesserung von Unterwasserbildern vor (Water-Net), das auf diesem Benchmark trainiert wurde und als Baseline dient. Dies zeigt die Generalisierungsfähigkeit des vorgeschlagenen UIEB für die Schulung von Faltungsneuronalen Netzen (CNNs). Die Benchmark-Evaluierungen sowie das vorgeschlagene Water-Net illustrieren Leistung und Grenzen der neuesten Algorithmen und werfen Licht auf zukünftige Forschungen im Bereich der Verbesserung von Unterwasserbildern. Der Datensatz und der Code sind unter https://li-chongyi.github.io/proj_benchmark.html verfügbar.