Un Jeu de Données de Référence pour l'Amélioration des Images Sous-Marines et Au-delà

L'amélioration des images sous-marines attire de plus en plus l'attention en raison de son importance dans le génie maritime et la robotique aquatique. De nombreux algorithmes d'amélioration des images sous-marines ont été proposés ces dernières années. Cependant, ces algorithmes sont principalement évalués à l'aide de jeux de données synthétiques ou de quelques images réelles sélectionnées. Il est donc difficile de savoir comment ces algorithmes se comporteraient sur des images acquises dans des conditions naturelles et comment mesurer les progrès réalisés dans ce domaine. Pour combler cette lacune, nous présentons la première étude perceptive complète et l'analyse de l'amélioration des images sous-marines utilisant des images réelles à grande échelle. Dans cet article, nous construisons un banc d'essai pour l'amélioration des images sous-marines (UIEB) comprenant 950 images sous-marines réelles, dont 890 possèdent une image de référence correspondante. Nous considérons les 60 images sous-marines restantes, pour lesquelles il n'est pas possible d'obtenir des images de référence satisfaisantes, comme des données difficiles. En utilisant ce jeu de données, nous menons une étude approfondie et complète des algorithmes d'amélioration des images sous-marines les plus avancés, tant qualitativement que quantitativement. De plus, nous proposons un réseau d'amélioration des images sous-marines (appelé Water-Net) formé sur ce banc d'essai en tant que point de référence, qui indique la généralisation du UIEB proposé pour former des Réseaux Neuronaux Convolutifs (CNN). Les évaluations du banc d'essai et le Water-Net proposé mettent en lumière les performances et les limites des algorithmes les plus avancés, offrant ainsi des perspectives pour les futures recherches en amélioration des images sous-marines. Le jeu de données et le code sont disponibles à l'adresse suivante : https://li-chongyi.github.io/proj_benchmark.html.