BriefGPT - AI 论文速递
·
基于 Transformer 的扩散模型的非均匀采样用于跳跃策略的水下图像增强
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文提出了一种通过使用扩散模型进行水下图像增强的方法。该方法利用水下图像和高斯噪声作为输入，采用条件降噪扩散概率模型生成增强图像。作者采用了基于轻量级Transformer的降噪网络和跳跃抽样策略来提高反向过程的效率。实验结果表明，该方法在水下增强任务上具有竞争性的性能和高效性。
🎯
关键要点
-
本文提出了一种通过扩散模型进行水下图像增强的方法。
-
该方法利用水下图像和高斯噪声作为输入，生成增强图像。
-
采用了基于轻量级Transformer的降噪网络以提高反向过程的效率。
-
引入了跳跃抽样策略以减少迭代次数。
-
提出了两种非均匀抽样方法：分段抽样和使用进化算法进行搜索。
-
实验结果表明，该方法在水下增强任务上具有竞争性的性能和高效性。
-
代码可在 https://github.com/piggy2009/DM_underwater 获取。
🏷️
标签
➡️
