LU2Net: A Lightweight Network for Real-time Underwater Image Enhancement

计算机视觉技术已经赋予水下机器人有效地完成多项任务的能力，包括物体跟踪和路径规划。然而，水下光学因素如光的折射和吸收会对水下视觉造成挑战，导致水下图像的降质。已经提出了各种水下图像增强方法来提高水下视觉感知的有效性。然而，对于水下机器人的实时视觉任务，必须克服与算法效率和实时能力相关的挑战。在本文中，我们介绍了轻量级水下Unet（LU2Net），这是一种专门设计用于实时增强水下图像的新型U形网络。所提出的模型结合了轴向深度卷积和通道注意模块，使其能够显著减少计算需求和模型参数，从而提高处理速度。在数据集和真实水下机器人上进行的广泛实验证明了所提出模型的出色性能和速度。它能够以比当前最先进的水下图像增强方法快8倍的速度提供良好增强的水下图像。此外，LU2Net能够处理实时水下视频增强。

本论文旨在解决水下图像增强中的算法效率和实时性问题，提出了一种新型的U形网络LU2Net。

LU2Net采用轴向深度卷积和通道注意力模块，显著降低计算需求和模型参数，从而提高处理速度。

论文通过大量实验验证了LU2Net在水下机器人实时图像增强方面的卓越表现和速度，比当前最先进的水下图像增强方法快8倍。此外，LU2Net还能够处理实时水下视频增强。

最近的相关研究包括： 1. Underwater Image Enhancement using an Integrated Color Model and Adaptive Gamma Correction 2. A Review of Underwater Image Enhancement Methods