Szczegóły publikacji
Opis bibliograficzny
Depth-guided lightweight CNN for underwater image enhancement using dark channel prior and spectral saliency — Lekka sieć CNN z prowadzeniem głębiowym do poprawy jakości obrazów podwodnych z wykorzystaniem priorytetu ciemnego kanału i istotności spektralnej / Mehr Un NISA, Lallouani Bouchakour, Dawid JUSZKA, Yi Zhang, Mikołaj LESZCZUK // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496 . — 2026 — R. 98 [powinno być 99] nr 4, s. 509–512. — Bibliogr. s. 512, Abstr., Streszcz. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław
Autorzy (5)
- AGHNisa Mehr Un
- Bouchakour Lallouani
- AGHJuszka Dawid
- Zhang Yi
- AGHLeszczuk Mikołaj
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 170272 |
|---|---|
| Data dodania do BaDAP | 2026-09-28 |
| Tekst źródłowy | URL |
| DOI | 10.15199/59.2026.4.118 |
| Rok publikacji | 2026 |
| Typ publikacji | referat w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne |
Streszczenie
Poprawa jakości obrazów podwodnych jest utrudniona przez zniekształcenia barw, rozpraszanie światła i niski kontrast. Proponujemy lekką sieć CNN z prowadzeniem głębiowym, łączącą priorytety inspirowane fizyką: estymację głębi opartą na Dark Channel Prior oraz mapę istotności spektralnej. Mapa głębi dostarcza informacji o tłumieniu zależnym od odległości, a mapa istotności wzmacnia wizualnie ważne obszary. Model typu enkoder–dekoder uczony jest funkcją straty łączącą rekonstrukcję RGB i spójność głębi. Wyniki eksperymentalne wskazują poprawę jakości percepcyjnej względem modelu bazowego, potwierdzoną wyższymi wartościami UIQM, UCIQE, NIQ i entropii.
Abstract
Underwater image enhancement is challenged by color distortion, light scattering, and low contrast. We propose a lightweight depth-guided CNN that combines physics-inspired priors: Dark Channel Prior-based depth estimation and spectral residual saliency. The depth map provides attenuation-aware structural cues, while saliency emphasizes visually important regions. The encoderdecoder model is trained with a unified loss that combines RGB reconstruction and depth consistency. Experiments show better perceptual quality than the baseline, with higher UIQM, UCIQE, NIQ, and entropy scores.
