Transformer Based Diffusion Models for Underwater Image Reconstruction. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF 201664780_Hashem Shullar_Thesis_Diffusion Models for UIR Tasks_vF.pdf Restricted to Repository staff only until 30 September 2025. Download (6MB)

Arabic Abstract

تتأثر الصور الملتقطة في البيئات المائية بأنواع متعددة من عوامل التشويه بسبب طبيعة هذه البيئات. تشمل هذه التأثيرات تشوه لون الصور، والإضاءة غير المتساوية، وتشتت الضوء. تؤدي هذه التأثيرات إلى خفض جودة الصور بشكل كبير مما يجعلها غير مناسبة للاستخدام في مهام أخرى مثل رسم الخرائط واستكشاف البيئات تحت الماء. في هذا العمل، تم تدريب نموذج انتشار (Diffusion Model) خصيصًا لمهمة إعادة بناء الصور تحت الماء. تمت مقارنة هذا النموذج بالطرق الحالية للتعلم العميق عبر مقاييس جودة متعددة. أظهرت نتائجنا أن نموذج الانتشار يتفوق على الطرق القائمة من حيث مؤشر نسبة قوة الإشارة إلى الضوضاء (PSNR)، ومقياس التشابه الهيكلي (SSIM)، ومقياس جودة الصورة تحت الماء (UIQM). تؤكد هذه النتائج فعالية نماذج الانتشار في تحسين جودة الصور تحت الماء، مما يوسع تطبيقاتها في المهام اللاحقة (Downstream tasks) التي تتطلب بيانات بصرية عالية الدقة.

English Abstract

Images taken underwater are affected by multiple types of degradation due to the nature of these environments. Such effects include color cast, non-uniform lighting and light scattering due to suspended particles. These effects severely lower the quality of the images which in turn would make them not applicable for use in downstream tasks such as underwater mapping and detection. In this work, a diffusion model was trained to specifically tackle the underwater image reconstruction task. This model was compared against existing deep learning methods, across multiple quality metrics. Our findings reveal that the diffusion model outperforms the existing methods in terms of Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM), and Underwater Image Quality Measure (UIQM). These results underscore the effectiveness of diffusion models in enhancing the quality of underwater imagery, thereby extending their applicability in downstream tasks that require high-fidelity visual data.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Nasir, Ali
Committee Co-Advisor:	Masood, Mudassir
Committee Members:	Anwar, Saeed and Zerguine, Azzedine and Iqbal, Naveed
Depositing User:	MOHAMMAD H SHULLAR (g201664780)
Date Deposited:	30 Sep 2024 11:54
Last Modified:	30 Sep 2024 11:54
URI:	http://eprints.kfupm.edu.sa/id/eprint/143064