Physics-Inspired Synthesized Underwater Image Dataset

本文介绍了一种基于物理学的合成水下图像数据集（PHISWID），该数据集旨在通过物理学启发的图像合成来增强水下图像处理。深度学习方法通常需要大量数据集来进行水下图像增强，但获取成对的清晰和退化的水下图像却存在重大挑战。虽然已经提出了几个使用基于物理学合成的水下图像数据集，但缺乏公开可访问的集合。此外，大多数水下图像合成方法并不打算再现大气场景，导致增强不完整。PHISWID通过提供一组成对的地面真实（大气）和合成退化的水下图像来填补这一空白，展示了不仅颜色退化，而且海洋雪的影响，海洋雪是有机物和沙子颗粒的复合物，会严重影响水下图像的清晰度。该数据集将这些退化应用于大气RGB-D图像，增强了数据集的逼真程度和适用性。PHISWID特别适用于在监督学习环境中训练深度神经网络，并在基准分析中客观评估图像质量。我们的结果表明，即使是基本的U-Net架构，在使用PHISWID进行训练后，在水下图像增强方面也比现有方法表现出色。我们打算公开发布PHISWID，为水下成像技术的进步做出重要贡献。

本文旨在通过物理启发的图像合成，提出一种新的水下图像数据集PHISWID，以便通过深度学习方法来增强水下图像处理。尽管已经提出了几个使用基于物理的合成方法的水下图像数据集，但公开可用的集合仍然缺乏。此外，大多数水下图像合成方法并不打算再现大气场景，导致增强不完整。因此，PHISWID提供了一组配对的地面真实（大气）和合成退化的水下图像，展示了颜色退化以及常常被忽视的海洋雪的影响，这是一种由有机物和沙子颗粒组成的复合物，它会显著影响水下图像的清晰度。

本文提出了一个物理启发的图像合成方法，生成了一组配对的真实（大气）和合成退化的水下图像，以提高水下图像处理的效果。PHISWID对于在监督学习环境中训练深度神经网络以及在基准分析中客观评估图像质量尤为有价值。

本文提出的PHISWID数据集可以用于训练深度神经网络，以在水下图像增强方面取得更好的效果。实验结果表明，即使是基本的U-Net架构，当使用PHISWID进行训练时，也能显著优于现有的水下图像增强方法。此外，本文还对水下图像的物理特性进行了深入探讨，并提出了一种新的水下图像合成方法。本文所提出的数据集和方法都是公开可用的，可以为水下成像技术的发展做出重要贡献。

在最近的相关研究中，还有其他一些使用物理启发的方法来合成水下图像的论文，如“Underwater Image Synthesis with Physical Model”和“Underwater Image Enhancement Based on Physical Model”。此外，还有一些其他的水下图像数据集，如“Underwater Image Dataset UCI”和“Underwater Vision Benchmark”。