基于散射特征感知网络(SFP-Net)的水下图像增强方法研究

针对水下图像存在散射效应导致的色彩失真、细节模糊等问题，研究人员提出散射特征感知网络(SFP-Net)，通过K值模块精确估计散射光强度，结合多尺度像素注意力(MPA)模块增强场景特征感知，实验表明该模型在PSNR(29.76)和SSIM(0.91)指标上优于现有方法，为海洋资源探测等应用提供技术支撑。

　　

在蔚蓝的海洋深处，光线经过水体折射、吸收和散射后，拍摄的水下图像常呈现低对比度、色彩失真和雾化等问题，严重制约了海洋资源勘探、海底测绘等领域的应用。尽管基于大气散射模型的深度学习方法取得进展，但现有技术对散射光强度估计不准确，且忽视局部特征关联性，导致增强后的图像仍存在细节丢失和视觉伪影。

为解决这一难题，研究人员开发了散射特征感知网络(SFP-Net)。该模型创新性地将暗通道先验(DCP)与K值模块结合，通过中间变量K生成散射光强度分布图，首次实现水下场景散射特征的精准量化。同时设计的多尺度像素注意力(MPA)模块采用三分支并行结构，捕捉通道与空间位置的跨维度依赖关系，显著提升细粒度特征恢复能力。实验采用UIEB和EUVP数据集验证，结果显示SFP-Net的PSNR和SSIM分别达到29.76和0.91，UCIQE/UIQM指标更符合人类视觉偏好。

关键技术方法
研究采用PyTorch框架，在NVIDIA RTX 4090 GPU上训练3000次迭代。核心模块包括：1) DCP模块生成暗通道图；2) K值模块通过非线性变换输出散射光分布；3) MPA模块通过空洞卷积与空间注意力实现多尺度特征交互；4) 自适应散射特征(ASF)损失函数融合大气散射模型与局部方差约束。

研究结果

1. 物理模型基础：通过分析水下光传播特性，建立散射光与图像退化间的量化关系，为K值模块提供理论依据。
2. 模型架构：SFP-Net的双阶段设计分别解决散射光估计（DCP+K值模块）和特征增强（MPA模块）问题，恢复模块最终合成清晰图像。
3. 实验验证：在绿色主导的深海图像中，SFP-Net成功校正色偏并恢复珊瑚纹理细节；在浑浊水域场景下，其散射光抑制效果优于传统物理模型方法35%。

结论与意义
该研究通过散射特征感知与多尺度学习的协同创新，突破了水下图像增强领域的关键技术瓶颈。其提出的K值映射方法为散射光建模提供新思路，MPA模块的跨空间学习机制可推广至其他低质图像修复任务。实际应用中，该技术可提升水下机器人视觉系统的可靠性，为海洋科考提供更精准的影像支持。论文成果发表于《Displays》，相关代码已开源以促进领域发展。