.png){kind=icon}
返回
A multiscale physics-informed framework for robust no-reference underwater image quality evaluation
.png){kind=icon}
OA
AI
DOI：10.1016/j.aej.2025.12.048.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水下图像的质量对海洋探索、生态监测和自主水下作业的成功至关重要，其中视觉数据通常作为主要的感官模态。然而，水下图像采集本质上受到水中光传播物理学的限制，导致颜色失真、浑浊、散射引起的雾霾以及结构细节的损失。尽管水下图像增强（UIE）取得了显著进展，但水下图像质量评估（UIQA）领域仍处于探索初期，尤其是在无参考（NR）设置中，即原始图像不可用的情况下。现有的NR UIQA方法要么过度依赖手工特征，要么在跨不同水下领域时表现出有限的可推广性。在本文中，我们介绍了PUIQA，一个基于物理的、多领域多尺度描述符框架，用于鲁棒的无参考水下图像质量预测。我们的方法系统地融合了来自物理成像先验（例如非均匀照明、遮光梯度）、感知特征（例如局部熵、边缘能量、对比度）和频域特征（例如基于DCT的结构退化）的特征。为了进一步建模尺度变化的退化，我们将这些描述符扩展到高斯和基于分辨率的的多尺度领域。提取的特征组合成一个高维表示，并通过一个针对感知保真度优化的支持向量回归（SVR）管道进行回归。为了验证PUIQA的通用性和鲁棒性，我们在两个多样且公开可用的水下图像数据集上进行了广泛的实验：UID2021和UIEB。PUIQA在UWIQA和UID2021上分别实现了0.726/0.768的SROCC和0.754/0.773的PLCC，优于现有的NR-IQA指标，展示了强大的跨数据集迁移能力和处理真实与合成水下失真的有效性。这项工作为在实用的水下成像系统中建立盲UIQA的原理化、通用化基础迈出了重要一步。PUIQA的完整实现可在以下网址公开获取：https://github.com/Rehman1995/PUIQA。
Keyword:
Physics-informed learning
Multiscale feature extraction
Frequency-domain analysis
Underwater imaging
Support vector regression
Underwater image quality assessment
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.8
论文数:
6.3K
被引数:
2.6W
机构
引用论文
On-policy and Off-policy Q-learning algorithms with policy iteration for two-wheeled inverted pendulum systems基于策略迭代的两轮倒立摆系统的在策略与离策略Q学习算法
PREAI
分享收藏A Self-Attention Guided Approach for Advanced Underwater Image Super-Resolution With Depth Awareness一种基于深度感知的自注意力引导高级水下图像超分辨率方法OAAI
OAAI分享收藏A robust coverless image-synthesized video steganography based on asymmetric structure基于非对称结构的鲁棒无覆盖图像合成视频隐写术
PREAI
分享收藏Towards Multi-Source Illumination Color Constancy Through Physics-Based Rendering and Spectral Power Distribution Embedding通过基于物理的渲染和光谱功率分布嵌入实现多光源照明颜色恒常性
PREAI
分享收藏Enhancing Aquaculture Net Pen Inspection: A Benchmark Study on Detection and Semantic Segmentation.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容