Underwater images typically suffer from color deviations and low visibility due to the wavelength-dependent light absorption and scattering. To deal with these degradation issues, we propose an efficient and robust underwater image enhancement method, called MLLE. Specifically, we first locally adjust the color and details of an input image according to a minimum color loss principle and a maximum attenuation map-guided fusion strategy. Afterward, we employ the integral and squared integral maps to compute the mean and variance of local image blocks, which are used to adaptively adjust the contrast of the input image. Meanwhile, a color balance strategy is introduced to balance the color differences between channel a and channel b in the CIELAB color space. Our enhanced results are characterized by vivid color, improved contrast, and enhanced details. Extensive experiments on three underwater image enhancement datasets demonstrate that our method outperforms the state-of-the-art methods. Our method is also appealing in its fast processing speed within 1s for processing an image of size 1024×1024×3 on a single CPU. Experiments further suggest that our method can effectively improve the performance of underwater image segmentation, keypoint detection, and saliency detection. The project page is available at https://li-chongyi.github.io/proj_MMLE.html.

Self-supervised visual representation learning (SSL) attempts to extract significant features from unlabeled datasets, alleviating the necessity for labor-intensive and time-consuming manual labeling processes. However, existing contrastive learning-based methods typically suffer from the underutilization of datasets, consume significant computational resources, and employ longer training epochs or large batch sizes. In this study, we propose a novel method aimed at optimizing self-supervised learning that integrates the advantages of sparse-dense sampling and collaborative optimization, thereby significantly improving the performance of downstream tasks. Specifically, sparse-dense sampling primarily focuses on high-level semantic features, while leveraging the spatial structure relationship provided by the unlabeled dataset to ensure the incorporation of low-level texture features to improve data utilization. Besides, collaborative optimization, including contrastive and location tasks, further enhances the model's ability to perceive features of different dimensions, thereby improving its utilization of features in the embedding space. Furthermore, the combination of sparse-dense sampling and collaborative optimization strategies can reduce computational consumption while improving performance. Extensive experiments demonstrate that the proposed method effectively reduces the computational requirements while delivering favorable results. The codes and model weights will be available at https://github.com/AI-TYQ/S4.

Complex physicochemical environmental effects result in the underwater species images' highly intricate and diverse backgrounds, which poses significant challenges for identifying marine species. Deep learning techniques are used extensively for image classification thanks to their exceptional feature extraction capabilities. To address the above issues, we present a cascaded attention transformer network for marine species image classification named CATNet. More specifically, we first utilize the efficient channel attention module with depthwise convolution, which can efficiently extract the essential features of the image and reduce the computational parameters of the traditional attention module. Subsequently, we design a stacked transformer module to focus on the different features among a large amount of feature information, thereby reducing redundancy and improving?the generalization performance of CATNet. To comprehensively exploit the features extracted from different modules, we integrate the efficient channel attention and stacked transformer modules to construct a feature-cascaded module. Meanwhile, we construct a large-scale Marine Species Image Dataset (MSID) including 8605 underwater images with different species. Concretely, it consists of 712 coral reef images, 1270 fish images, 1082 people images, 2414 sea urchin images, 1219 squid images, 837 sea cucumber images, and 1071 turtle images. Comprehensive experimentation on our built dataset underscores the proposed CATNet's superiority over the existing state-of-the-art methods in marine species image classification. The data is available. https://www.researchgate.net/publication/381961074_2024MSID.

Cellular senescence is a cell fate triggered by inherent or environmental stress and characterized by stable cell cycle arrest accompanied by a hypersecretory feature, termed as the senescence-associated secretory phenotype (SASP). Senescent cell burden increases with natural aging, functionally contributing to age-related organ dysfunction and multiple disorders. In this study, we performed a large scale screening of a natural product library for senotherapeutic candidates by assessing their effects on human senescent cells. Apigenin, a dietary flavonoid previously reported with antioxidant and anti-inflammatory activities, exhibited a prominent capacity in targeting senescent cells as a senomorphic agent. In senescent cells, apigenin blocks the interactions between ATM/p38 and HSPA8, thus preventing transition of the acute stress-associated phenotype (ASAP) towards the SASP. Mechanistically, apigenin targets peroxiredoxin 6 (PRDX6), an intracellular redox-active molecule, suppressing the iPLA2 activity of PRDX6 and disrupting downstream reactions underlying the SASP development. Without reversing cellular senescence, apigenin deprives cancer cells of malignancy acquired from senescent stromal cells in culture, while reducing chemoresistance upon combination with chemotherapy in anticancer regimens. In preclinical trials, apigenin administration improves physical function of animals prematurely aged after whole body irradiation, alleviating physical frailty and cognitive impairment. Overall, our study demonstrates the potential of exploiting a naturally derived compound with senomorphic capacity to achieve geroprotective effects by modulating the SASP, thus providing a research platform for future exploration of novel natural agents against age-related conditions.

The level of detail (LOD) modelling of vector and terrain data is individual, resulting in geometric and topological inconsistencies in simplification processes. The three dimension Douglas Peucker (3D_DP)algorithm can realize gradual discrete point selection through threshold, which is mainly used in DEM synthesis, and its simplified process is very suitable for the dynamic establishment of massive data sets. A new LOD modeling method based on 3D_DP algorithm is proposed to simplify the consistency of river network vector elements and DEM in this paper. The specific steps are as follows: Firstly, the “Bending Adjustment Index ( BAI )” is introduced to improve the 3D_DP algorithm, called the improved 3D_DP algorithm; Secondly, the DEM data is extracted into a 3D discrete point dataset, and the river line vector data is also converted into a discrete point dataset, assigned with elevation attributes, and merges with the DEM’s 3D discrete points. The merged point datasets are equenced based on the importance of each point, which are computed by the improved 3D_DP algorithm. The order of deleting points is determined by the sequence and the corresponding model spatial errors are calculated with the deletion of points. Then, the DEM’s 3D discrete points are constructed a Delaunay network with the river line as a mandatory constraint condition. The required triangulation is called in real time with the change of sight distance depending on the simple correspondence between screen projection error and model space error, and the unified LOD model for river line vector and DEM is established. The results show that the river’s overall shape and the terrain’s main features can be reserved under the same simplified factor based on the improved 3D_DP algorithm. The unified LOD model for the river network and DEM is feasible under the importance sequence of merged point datasets by the improved 3D_DP algorithm. Under the proper operation of data blocking, the rendering frame rate can meet practical application requirements.

Hyperspectral images are rich in spectral and spatial information, providing a detailed and comprehensive description of objects, which makes hyperspectral image analysis technology essential in intelligent agriculture. With various corn seed varieties exhibiting significant internal structural differences, accurate classification is crucial for planting, monitoring, and consumption. However, due to the large volume and complex features of hyperspectral corn image data, existing methods often fall short in feature extraction and utilization, leading to low classification accuracy. To address these issues, this paper proposes a spectral-spatial attention transformer network (SSATNet) for hyperspectral corn image classification. Specifically, SSATNet utilizes 3D and 2D convolutions to effectively extract local spatial, spectral, and textural features from the data while incorporating spectral and spatial morphological structures to understand the internal structure of the data better. Additionally, a transformer encoder with cross-attention extracts and refines feature information from a global perspective. Finally, a classifier generates the prediction results. Compared to existing state-of-the-art classification methods, our model performs better on the hyperspectral corn image dataset, demonstrating its effectiveness.