受U-Net启发的GAN模型，用于增强水下图像的质量

《Marine Geodesy》：U-Net Inspired GAN for the Enhancement of Underwater Images

基于U-Net跳跃连接的生成对抗网络在图像生成任务中显著提升了细节保留能力，通过整合生成器和鉴别器的协同优化，在HICRD等数据集上达到更高的输出精度和语义准确性，验证了跳跃连接对空间信息保持的有效性。

　　

摘要

随着生成对抗网络（GAN）的引入，深度学习领域发生了革命性的变化。GAN利用强大的工具生成自然图像、转换图像风格并提升图像质量。在所提出的框架中，GAN的生成器与U-Net的特征保留跳跃连接相结合，使得模型能够有效地捕捉和重建细节，同时通过判别器保持对抗性。U-Net采用独特的编码器-解码器架构和跳跃连接，证明了其在需要精确空间信息任务中的能力。该模型通过平衡对抗损失和生成损失来提升输出精度和语义准确性。我们在Heron Island珊瑚礁数据集（HICRD）以及UIEB和EUVP基准数据集的类似色彩转换图像上进行了全面评估。定性和定量结果均表明，受U-Net启发的GAN优于现有的基线方法，这体现了U-Net中的跳跃连接在提升生成器性能和保留空间细节方面的作用。