WaterMono: Teacher-Guided Anomaly Masking and Enhancement Boosting for Robust Underwater Self-Supervised Monocular Depth Estimation

深度信息是各种视觉任务的重要先决条件，无论是在陆地还是水下。最近，自监督方法在几个陆地基准测试中取得了显着的性能，尽管缺少深度注释。然而，在更具挑战性的水下场景中，它们会遇到许多全新的障碍，如海洋生物的影响和水下图像的退化，这些都打破了静态场景的假设并带来了低质量的图像。此外，水下图像的摄像机角度更加多样化。幸运的是，我们发现知识蒸馏是解决这些挑战的一种有前途的方法。在本文中，我们提出了WaterMono，一种新颖的深度估计与图像增强框架。它包括以下关键措施：（1）我们提出了一种教师引导的异常掩码来识别图像中的动态区域；（2）我们利用深度信息结合水下图像形成模型生成增强图像，这又有助于深度估计任务；（3）我们利用旋转蒸馏策略来增强模型的旋转鲁棒性。全面的实验表明了我们提出的方法在深度估计和图像增强方面的有效性。源代码和预训练模型可在项目主页上找到：https://github.com/OUCVisionGroup/WaterMono。

本文旨在解决水下场景中深度估计和图像增强的问题，尤其是在动态场景和低质量图像的情况下。同时，该论文尝试使用知识蒸馏来提高模型的鲁棒性。

论文提出了WaterMono框架，其中包括教师引导的异常掩码、水下图像形成模型和旋转蒸馏策略。通过这些关键措施，WaterMono能够同时进行深度估计和图像增强，并提高模型的旋转鲁棒性。

论文使用了多个水下数据集进行实验，并展示了WaterMono在深度估计和图像增强方面的有效性。此外，论文还提供了源代码和预训练模型。

在水下场景中，深度估计和图像增强一直是研究热点。近期的相关研究包括：'Underwater Image Enhancement using a Low Rank Prior'、'Underwater Image Restoration Based on Image Blurriness and Light Absorption'等。