Nouveau réseau proposé pour améliorer la qualité des images sous-marines
Des chercheurs dirigés par les professeurs Wang Rujing et Wang Liusan des instituts Hefei des sciences physiques de l'Académie chinoise des sciences ont établi un réseau contradictoire génératif à transformateur pleine fréquence (LFT-DGAN) pour résoudre le problème de la dégradation de la qualité des images sous-marines causée par par diverses interférences.
Les résultats ont été publiés dans Frontières des sciences marines.
La technologie d’amélioration des images sous-marines vise à optimiser la qualité des images sous-marines pour répondre aux divers besoins de la recherche scientifique marine, de la robotique sous-marine et de la reconnaissance d’objets. En raison de l'environnement sous-marin unique, le bruit et la déviation des couleurs affectent souvent les images, ce qui rend l'amélioration extrêmement difficile. Il est nécessaire d’améliorer la qualité des images sous-marines.
Dans cette étude, les chercheurs ont utilisé la connaissance des réseaux neuronaux convolutifs et contradictoires réversibles pour établir un modèle de réseau neuronal contradictoire à double génération du transformateur pleine fréquence et ont vérifié son efficacité en comparant plusieurs données expérimentales d'images sous-marines.
À l’aide de ce modèle, ils ont appliqué pour la première fois la technologie de décomposition d’image avec convolution réversible pour séparer avec précision les différentes caractéristiques de fréquence de l’image.
En outre, les chercheurs ont utilisé un modèle de transformateur avancé qui permet d’apprendre à améliorer l’interaction et l’intégration de différents types d’informations. Ils ont également créé un discriminateur à double domaine pour mieux capturer et analyser les caractéristiques fréquentielles des images.
« Les résultats de cette étude et les méthodes ont fourni une base théorique solide et un soutien solide pour la recherche et le développement ultérieurs de l'amélioration des images sous-marines », a déclaré Wang Liusan.
