TensorFlow 和 PyTorch 对论文 Fast Underwater Image Enhancement for Improved Visual Perception (RA-L 2020) 及其他基于 GAN（生成对抗网络）模型的实现。

资源

• FUnIE-GAN 和 UGAN (原始仓库) 在 TensorFlow (Keras) 和 PyTorch 上的训练流程
• 基于 UIQM（水下图像质量度量）、SSIM（结构相似性） 和 PSNR（峰值信噪比） 的图像质量分析模块（参见评估）

增强后的水下图像	改进的检测与姿态估计

FUnIE-GAN 特性

• 为水下图像增强提供具有竞争力的性能
• 支持在单板计算机上进行实时推理
  • Jetson AGX Xavier 上 48+ FPS（帧率），Jetson TX2 上 25+ FPS
  • Nvidia GTX 1080 上 148+ FPS
• 适用于需要增强视觉的水下机器人部署

FUnIE-GAN 指引

• 论文：https://ieeexplore.ieee.org/document/9001231
• 预印本：https://arxiv.org/pdf/1903.09766.pdf
• 数据集：http://irvlab.cs.umn.edu/resources/euvp-dataset
• 引用文献条目：

  @article{islam2019fast,
      title={Fast Underwater Image Enhancement for Improved Visual Perception},
      author={Islam, Md Jahidul and Xia, Youya and Sattar, Junaed},
      journal={IEEE Robotics and Automation Letters (RA-L)},
      volume={5},
      number={2},
      pages={3227--3234},
      year={2020},
      publisher={IEEE}
  }
  

水下图像增强：近期研究与资源

2019

论文	主题	代码	数据
Multiscale Dense-GAN	使用残差多尺度密集块作为生成器
Fusion-GAN	基于 FGAN 的模型，损失函数公式化		U45
UDAE	U-Net 去噪自编码器
VDSR	基于 ResNet 的模型，损失函数公式化
JWCDN	联合波长补偿与去雾
AWMD-Cycle-GAN	多判别器训练的自适应加权
WAug Encoder-Decoder	带有小波池化和反池化的编码器 - 解码器模块	GitHub
Water-Net	数据集与基准测试	GitHub	UIEB

2017-18

论文	主题	代码	数据
UGAN	多种基于 GAN 的模型，数据集构建	GitHub	Uw-imagenet
Underwater-GAN	损失函数公式化，基于 cGAN 的模型
LAB-MSR	基于多尺度 Retinex 的框架
Water-GAN	从空中图像与深度配对生成数据	GitHub	MHL, Field data
UIE-Net	用于颜色校正和去雾的基于 CNN（卷积神经网络）的模型

非深度学习模型

• Sea-Thru (项目页面)
• Haze-line-aware Color Restoration (代码)
• Local Color Mapping Combined with Color Transfer (代码)
• Real-time Model-based Image Color Correction for Underwater Robots (代码)
• All-In-One Underwater Image Enhancement using Domain-Adversarial Learning (代码)
• Difference Backtracking Deblurring Method for Underwater Images
• Guided Trigonometric Bilateral Filter and Fast Automatic Color correction
• Red-channel Underwater Image Restoration (代码)

综述、指标与基准测试

• Real-world Underwater Enhancement: Challenges, Benchmarks, and Solutions
• Human-Visual-System-Inspired Underwater Image Quality Measures
• An Underwater Image Enhancement Benchmark Dataset and Beyond
• An Experimental-based Review of Image Enhancement and Restoration Methods (代码)
• Diving Deeper into Underwater Image Enhancement: A Survey
• A Revised Underwater Image Formation Model

FUnIE-GAN 快速上手指南

FUnIE-GAN 是一款用于水下图像增强的开源工具，基于 GAN 模型实现，支持 TensorFlow (Keras) 和 PyTorch 框架。该工具旨在提升水下视觉感知能力，适用于水下机器人部署，并可在单板上实现实时推理。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux 或 Windows（推荐 Linux 以获得最佳性能）
• 编程语言：Python 3.x
• 深度学习框架：根据需求选择以下之一
  • TensorFlow + Keras
  • PyTorch
• 硬件加速（可选但推荐）：
  • NVIDIA GPU（如 GTX 1080, Jetson AGX Xavier, Jetson TX2）以利用实时推理性能（FPS 可达 48+ ~ 148+）
  • CUDA 及 cuDNN 环境配置

安装步骤

1. 克隆仓库 将项目代码下载到本地：

   git clone https://github.com/your-repo/FUnIE-GAN.git
   cd FUnIE-GAN
   

2. 选择框架路径 根据您选择的深度学习框架，进入对应的目录：

   • TensorFlow 用户：

     cd TF-Keras/
     

   • PyTorch 用户：

     cd PyTorch/
     

3. 安装依赖 在对应目录下安装所需的 Python 包（通常包含 requirements.txt）：

   pip install -r requirements.txt
   

基本使用

数据准备

下载官方数据集用于训练或测试：

• EUVP Dataset: http://irvlab.cs.umn.edu/resources/euvp-dataset

训练与推理

项目提供了针对 FUnIE-GAN 和 UGAN 的训练流水线。请参考对应框架目录下的脚本进行训练或推理。

• 训练模型：运行训练脚本加载数据集并进行迭代优化。
• 图像增强：使用训练好的模型对水下图像进行处理。

效果评估

项目内置了基于以下指标的质量分析模块，可用于评估增强后的图像质量：

• UIQM (Underwater Image Quality Measure)
• SSIM (Structural Similarity Index)
• PSNR (Peak Signal-to-Noise Ratio)

相关评估代码位于 /Evaluation/ 目录下。