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 |
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.
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.
