Underwater image enhancement has been receiving much attention due to its significance in facilitating various marine explorations. Inspired by the generative adversarial network (GAN) and residual network (ResNet) in many vision tasks, we propose a simplified designed ResNet model based on GAN called efficient GAN (EGAN) for underwater image enhancement. In particular, for the generator of EGAN we design a new pair of convolutional kernel size for the residual block in the ResNet. Secondly, we abandon batch normalization (BN) after every convolution layer for faster training and less artifacts. Finally, a smooth loss function is introduced for halo-effect alleviation. Extensive qualitative and quantitative experiments show that our methods accomplish considerable improvements compared to the state-of-the-art methods.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00