Image-Conditional Diffusion Transformer for Underwater Image Enhancement

水下图像增强(UIE)因其对水下操作和海洋工程的重要性而受到广泛关注。受生成模型最近的进展的启发，我们提出了一种基于图像条件扩散变换器(ICDT)的新型UIE方法。我们的方法以降质水下图像作为条件输入，并将其转换为潜在空间，其中应用ICDT。ICDT用变换器替换了传统的U-Net骨干，在去噪扩散概率模型(DDPM)中应用，因此继承了变换器的可扩展性等有利特性。此外，我们使用包含方差的混合损失函数训练ICDT，以实现更好的对数似然，同时显着加速了采样过程。我们在水下ImageNet数据集上评估了ICDT的可扩展性，并与UIE领域的先前工作进行了比较。除了良好的可扩展性外，我们最大的模型ICDT-XL/2优于所有比较方法，实现了图像增强的最新技术水平(SOTA)的质量。

论文旨在解决水下图像增强问题，提出一种基于图像条件扩散变换器（ICDT）的方法。该方法旨在通过ICDT替换传统的U-Net骨干结构，在扩散概率模型中实现去噪，从而提高水下图像的质量。

论文的关键思路是使用ICDT替换传统的U-Net骨干结构，在扩散概率模型中实现去噪。与传统方法相比，ICDT具有可扩展性和更好的采样速度，同时使用混合损失函数来提高对数似然性能。

论文在Underwater ImageNet数据集上进行了实验评估，并与现有方法进行了比较。实验结果表明，ICDT-XL/2模型在水下图像增强方面表现出色，达到了最先进水平。此外，该方法具有可扩展性和更好的采样速度，并且使用混合损失函数来提高对数似然性能。

在这个领域中，最近的相关研究包括：Deep Learning-based Underwater Image and Video Enhancement: A Survey、Underwater Image Enhancement by Dehazing with Minimum Information Loss and Color Transfer以及A Variational Model for Underwater Image Restoration。