DGCL-UIE：基于退化引導(dǎo)的協(xié)作學(xué)習(xí)方法，用于一體化水下圖像增強(qiáng)
《Optics & Laser Technology》：DGCL-UIE: Degradation-guided collaborative learning for all-in-one underwater image enhancement
【字體：
大
中
小
】
時(shí)間：2026年03月02日
來源：Optics & Laser Technology 4.6
編輯推薦：
水下圖像增強(qiáng)面臨復(fù)雜混合光學(xué)退化挑戰(zhàn)，現(xiàn)有方法多針對(duì)單一退化類型。本文提出DGCL-UIE框架，通過吸收、散射、混合退化三分支協(xié)同學(xué)習(xí)，結(jié)合動(dòng)態(tài)加權(quán)融合策略和頻率引導(dǎo)U-Net實(shí)現(xiàn)多維度增強(qiáng)。實(shí)驗(yàn)表明該模型在UIEB、LSUI等水下數(shù)據(jù)集及低光、霧化場(chǎng)景中均優(yōu)于SOTA方法，有效提升細(xì)節(jié)、色彩和亮度的一致性。
趙高麗|吳宇恒|宋俊平|張克飛
河南科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，中國(guó)新鄉(xiāng)
摘要
水下圖像的退化主要受波長(zhǎng)依賴的光吸收和頻率依賴的散射影響，這兩種因素共同抑制了長(zhǎng)波輻射并減弱了高頻結(jié)構(gòu)成分，導(dǎo)致嚴(yán)重的顏色失真、低對(duì)比度和細(xì)節(jié)丟失。雖然現(xiàn)有的水下圖像增強(qiáng)方法可以緩解某些退化因素，但在具有復(fù)雜和混合光學(xué)退化的實(shí)際環(huán)境中仍然效果不佳。為了解決這一挑戰(zhàn)，我們提出了一個(gè)基于退化的協(xié)同學(xué)習(xí)框架DGCL-UIE，用于實(shí)現(xiàn)物理信息驅(qū)動(dòng)的全面水下圖像增強(qiáng)。通過分析水下圖像中光學(xué)退化模式的統(tǒng)計(jì)分布，該框架構(gòu)建了一個(gè)統(tǒng)一的多分支模型，其中分別設(shè)計(jì)了以吸收為主、以散射為主和混合退化為主的分支，以捕捉不同的退化機(jī)制。引入了一種動(dòng)態(tài)加權(quán)策略，根據(jù)退化先驗(yàn)和引導(dǎo)圖自適應(yīng)地融合各分支的輸出，從而在混合退化條件下實(shí)現(xiàn)空間自適應(yīng)的圖像恢復(fù)。此外，還采用了頻率引導(dǎo)的U-Net來整合融合的特征，其中頻域調(diào)制明確補(bǔ)償了由水下散射引起的高頻衰減。DGCL-UIE在多個(gè)數(shù)據(jù)集上的表現(xiàn)優(yōu)于現(xiàn)有的最先進(jìn)方法，驗(yàn)證了其在光學(xué)退化建模和數(shù)據(jù)驅(qū)動(dòng)增強(qiáng)之間的橋梁作用。
引言
水下成像技術(shù)已成為多個(gè)領(lǐng)域中的關(guān)鍵技術(shù)，在海洋物種分類[1]、海洋環(huán)境監(jiān)測(cè)[2]和水下探索[3]中發(fā)揮著重要作用。在水下環(huán)境中，光的反射、吸收和散射會(huì)導(dǎo)致照明不均勻和嚴(yán)重的顏色失真，而懸浮顆粒和氣泡的額外散射還會(huì)進(jìn)一步降低捕獲圖像的對(duì)比度和引入噪聲[4]，[5]。這些復(fù)雜和混合的失真對(duì)機(jī)器視覺任務(wù)和人類感知都構(gòu)成了重大挑戰(zhàn)，凸顯了有效水下圖像增強(qiáng)方法的必要性。為了解決水下退化問題，人們從不同角度探索了一系列UIE方法。基于手工制作的先驗(yàn)的方法，如DCP[6]、[7]和Retinex[8]、[9]、[10]，依賴于關(guān)于傳輸或照明的假設(shè)，在復(fù)雜或混合退化條件下往往效果不佳。基于模型的方法[11]、[12]、[13]試圖通過引入先驗(yàn)假設(shè)來逆向處理成像過程，但其泛化能力仍然有限。基于學(xué)習(xí)的方法[14]、[15]提供了更好的靈活性，但在實(shí)際水下場(chǎng)景中存在多個(gè)退化因素同時(shí)發(fā)生時(shí)仍顯不足，如圖1所示。
總之，許多現(xiàn)有方法依賴于對(duì)特定退化類型的強(qiáng)假設(shè)和高質(zhì)量訓(xùn)練數(shù)據(jù)，這帶來了三個(gè)根本性挑戰(zhàn)：(1) 基于單一先驗(yàn)的方法在復(fù)合退化條件下常常失敗，導(dǎo)致增強(qiáng)圖像出現(xiàn)局部失真和結(jié)構(gòu)細(xì)節(jié)丟失。(2) 盡管深度學(xué)習(xí)方法在表示能力上表現(xiàn)出色，但在訓(xùn)練過程中往往缺乏對(duì)多類別視覺特征的有針對(duì)性的指導(dǎo)，導(dǎo)致在細(xì)節(jié)保留、顏色保真度和結(jié)構(gòu)完整性方面的增強(qiáng)效果不平衡。(3) 由于標(biāo)注數(shù)據(jù)有限或領(lǐng)域差異，模型容易過擬合，從而影響其在不同領(lǐng)域的感知一致性和泛化能力。因此，為了提高深度網(wǎng)絡(luò)在復(fù)雜退化場(chǎng)景下的泛化和魯棒性，探索和整合多類型退化特征以指導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)已成為一個(gè)關(guān)鍵的研究方向。在本文中，我們提出了一種全面的網(wǎng)絡(luò)DGCL-UIE，它可以自動(dòng)適應(yīng)復(fù)合水下退化，并在顏色偏差、光散射和光照不足的情況下顯著提升成像性能。具體而言，DGCL-UIE構(gòu)建了一個(gè)以退化為導(dǎo)向的三分支增強(qiáng)框架：(i) 詳細(xì)增強(qiáng)分支（DEB）用于邊緣紋理特征的保留；(ii) 顏色校正分支（CCB）用于色彩失真的校正；(iii) 亮度補(bǔ)償分支（LCB）用于光照增強(qiáng)。此外，考慮到三個(gè)增強(qiáng)分支之間的互補(bǔ)性和空間偏好差異，我們提出了一種基于退化圖的自適應(yīng)多權(quán)重融合策略。通過整合輸入圖像中的三種退化線索——亮度分布、邊緣響應(yīng)和顏色偏移，輕量級(jí)網(wǎng)絡(luò)能夠自適應(yīng)地加權(quán)并融合各分支的增強(qiáng)結(jié)果。隨后，頻率引導(dǎo)的U-Net對(duì)多退化分支輸出的粗粒度特征進(jìn)行細(xì)化。最后，該模型在涵蓋水下、低光照和霧霾環(huán)境的多退化數(shù)據(jù)集上進(jìn)行了訓(xùn)練，采用了一種結(jié)合引導(dǎo)損失和協(xié)調(diào)拉普拉斯損失的網(wǎng)絡(luò)策略，使網(wǎng)絡(luò)能夠自適應(yīng)地關(guān)注特定區(qū)域的感知目標(biāo)，顯著提高了細(xì)節(jié)重建、顏色保真度、結(jié)構(gòu)一致性和整體多維視覺質(zhì)量。
我們強(qiáng)調(diào)本工作的貢獻(xiàn)如下：
•我們提出了一個(gè)全面增強(qiáng)網(wǎng)絡(luò)DGCL-UIE，從多個(gè)水下退化的聯(lián)合建模角度出發(fā)，實(shí)現(xiàn)了對(duì)不同程度退化的水下圖像的協(xié)同處理，顯著提高了水下圖像質(zhì)量。
•我們提出了一種自適應(yīng)多權(quán)重融合策略，通過整合輸入圖像中的亮度、邊緣響應(yīng)和色彩偏差信息來生成內(nèi)容感知的權(quán)重。這種機(jī)制有效地指導(dǎo)了不同增強(qiáng)分支的融合比例，實(shí)現(xiàn)了多模態(tài)特征增強(qiáng)的動(dòng)態(tài)控制。
•我們提出了一種網(wǎng)絡(luò)策略，通過將邊緣掩碼與Lab空間信息融合，結(jié)合引導(dǎo)損失來使網(wǎng)絡(luò)自適應(yīng)地關(guān)注特定區(qū)域的感知目標(biāo)，從而在多樣化的水下、低光照和霧霾場(chǎng)景中顯著提升多維視覺質(zhì)量。
部分摘錄
水下圖像增強(qiáng)
受復(fù)雜多變的水下環(huán)境影響，水下圖像增強(qiáng)已成為一個(gè)研究熱點(diǎn)。現(xiàn)有方法主要分為兩類：傳統(tǒng)的水下圖像增強(qiáng)方法和基于深度學(xué)習(xí)的方法。
傳統(tǒng)方法通常通過從統(tǒng)計(jì)圖像屬性構(gòu)建成像模型來估計(jì)光衰減和散射效應(yīng)，或通過調(diào)整像素強(qiáng)度值來提升圖像質(zhì)量[16]、[17]、[18]、[19]、[20]。
概述
所提出的DGCL-UIE框架包括三個(gè)階段：感知先驗(yàn)優(yōu)化、動(dòng)態(tài)加權(quán)融合和語義增強(qiáng)，如圖2所示。
在感知先驗(yàn)優(yōu)化階段，給定一張水下圖像，三個(gè)不同的視覺增強(qiáng)分支分別用于增強(qiáng)亮度、細(xì)節(jié)和顏色信息，從而得到一張細(xì)節(jié)增強(qiáng)的圖像、一張顏色校正后的圖像，以及一張光照補(bǔ)償后的圖像。同時(shí)，
實(shí)驗(yàn)設(shè)置
- 1)
數(shù)據(jù)集：我們?cè)谌N典型的退化場(chǎng)景下評(píng)估了我們的方法：水下圖像增強(qiáng)、低光照?qǐng)D像恢復(fù)和圖像去霧。對(duì)于水下圖像增強(qiáng)，我們使用了三個(gè)廣泛使用的基準(zhǔn)數(shù)據(jù)集：UIEB [44]、EUVP-Dark [44] 和 LSUI [45]。對(duì)于低光照?qǐng)D像增強(qiáng)，我們?cè)趦蓚�(gè)標(biāo)準(zhǔn)數(shù)據(jù)集LSRW [46] 和 LOL [47] 上進(jìn)行了實(shí)驗(yàn)。在去霧實(shí)驗(yàn)中，我們使用了RESIDE [48] 數(shù)據(jù)集，該數(shù)據(jù)集包含了
結(jié)論
本文提出了DGCL-UIE，這是一種集成的水下圖像增強(qiáng)方法，旨在通過單一網(wǎng)絡(luò)架構(gòu)解決多種典型的退化模式。其核心創(chuàng)新在于其基于退化的多分支學(xué)習(xí)，其中特定任務(wù)的增強(qiáng)分支根據(jù)初步的退化感知生成不同的響應(yīng)。為了優(yōu)化局部特征，我們提出了一種自適應(yīng)多權(quán)重融合（AMWF）策略，該策略可以動(dòng)態(tài)地
CRediT作者貢獻(xiàn)聲明
趙高麗：撰寫——審稿與編輯、撰寫——原始草稿、可視化、軟件、方法論。吳宇恒：撰寫——原始草稿、形式分析。宋俊平：資源提供。張克飛：可視化。
利益沖突聲明
作者聲明他們沒有已知的財(cái)務(wù)利益或個(gè)人關(guān)系可能影響本文所述的工作。
致謝
本工作部分得到了河南省關(guān)鍵專項(xiàng)科研與技術(shù)開發(fā)計(jì)劃（項(xiàng)目編號(hào)242102211096）的支持。
生物通微信公眾號(hào)
生物通新浪微博
- 搜索
- 國(guó)際
- 國(guó)內(nèi)
- 人物
- 產(chǎn)業(yè)
- 熱點(diǎn)
- 科普
今日動(dòng)態(tài) |
人才市場(chǎng) |
新技術(shù)專欄 |
中國(guó)科學(xué)人 |
云展臺(tái) |
BioHot |
云講堂直播 |
會(huì)展中心 |
特價(jià)專欄 |
技術(shù)快訊 |
免費(fèi)試用
版權(quán)所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯(lián)系信箱：
粵ICP備09063491號(hào)
