Ein lernfähiges "Dual Generative Adversarial Network" (LFT-DGAN) soll künftig das Problem der durch Störungen verursachten Verschlechterung der Unterwasserbildqualität lösen. Die Entwicklung und Forschungsergebnisse des Teams um Wang Rujing und Wang Liusan vom Hefei Institute of Physical Science der Chinesischen Akademie der Wissenschaften sind in "Frontiers in Marine Science" veröffentlicht.
Die Technologie zur Verbesserung von Unterwasserbildern zielt darauf ab, die Qualität von Unterwasserbildern zu optimieren und die Anforderungen der maritimen Forschung, von Unterwasserrobotern und der Objekterkennung zu erfüllen. Aufgrund der einzigartigen Unterwasser-Umgebung werden die Bilder häufig durch Rauschen und Farbabweichungen beeinträchtigt, was die Bildverbesserung extrem schwierig macht. Forscher arbeiten weiter daran, um die Qualität von Unterwasserbildern zu verbessern.
In der neuen Studie haben die Experten die Erkenntnisse der reversiblen Faltung und der adversen neuronalen Netze genutzt, um ein dual-generatives adverses neuronales Netzmodell des Vollfrequenztransformators zu erstellen und seine Wirksamkeit durch den Vergleich mehrerer experimenteller Unterwasserbilddaten zu überprüfen. Mithilfe dieses Modells konnten die Forscher zum ersten Mal die Technologie der Bildzerlegung mit reversibler Faltung einsetzen, um die verschiedenen Frequenzmerkmale des Bildes genau zu trennen.
Darüber hinaus wurde in der Studie ein fortschrittliches Transformationsmodell verwendet, das die Interaktion und Integration verschiedener Informationstypen verbessert.Zudem wurde ein Dual-Domain-Diskriminator entwickelt, mit dem sich die Frequenzmerkmale der Bilder besser erfassen und analysieren lassen. "Unsere Forschungsergebnisse und -methoden haben eine solide theoretische Grundlage und eine starke Unterstützung für die weitere Forschung und Entwicklung der Unterwasserbildverbesserung geliefert", erklärt Wang Liusan.
