Super-Resolution von Unterwasserbildern unter Verwendung tiefer residueller Multiplikatoren

Wir präsentieren ein tiefes Residual-Netzwerk-basiertes generatives Modell für die Einzelbild-Super-Resolution (SISR) von Unterwasser-Bildern, das für autonome Unterwasser-Roboter geeignet ist. Zudem stellen wir eine adversarische Trainingspipeline vor, die die SISR aus gepaarten Daten lernt. Zur Überwachung des Trainings formulieren wir eine Zielfunktion, die die wahrnehmbare Qualität eines Bildes anhand seines globalen Inhalts, seiner Farbinformationen und lokaler Stilmerkmale bewertet. Außerdem führen wir USR-248 ein, eine großskalige Datensammlung bestehend aus drei Sätzen von Unterwasser-Bildern mit „hohen“ (640×480) und „niedrigen“ (80×60, 160×120 und 320×240) räumlichen Auflösungen. USR-248 enthält gepaarte Instanzen zur überwachten Schulung von SISR-Modellen mit Vergrößerungsfaktoren von 2x, 4x oder 8x. Darüber hinaus validieren wir die Wirksamkeit unseres vorgeschlagenen Modells durch qualitative und quantitative Experimente und vergleichen die Ergebnisse mit denen mehrerer state-of-the-art-Modelle. Zudem analysieren wir die praktische Eignung des Ansatzes für Anwendungen wie Szenenverstehen und Aufmerksamkeitsmodellierung unter störenden visuellen Bedingungen.