基于潜在空间对齐的水下视觉清晰化：海洋场景增强的双阶段联合网络TJUMnet

推荐：针对水下图像色彩偏移(color shift)和海洋雪花(marine snow)噪声共存难题，中科院团队提出双阶段网络TJUMnet，通过教师引导特征优化(TFO)和分层重建(HR)模块，首次实现单模型同步完成水下图像增强(UIE)与去噪(MSR)。构建的JUEMR数据集(2700组图像)填补领域空白，实验显示该方法在PSNR/SSIM指标上达SOTA水平，为水下机器人视觉等应用提供新范式。

　　

论文解读
蔚蓝海洋中隐藏着无数奥秘，但浑浊的水体却给人类认知设置了天然屏障。当光线穿过海水时，会发生选择性吸收和散射，导致拍摄的图像出现严重的色彩失真（color shift），就像戴上了有色滤镜；更棘手的是无处不在的"海洋雪花"（marine snow）——由浮游生物、有机碎屑等组成的悬浮颗粒，在图像中形成类似电视雪花噪点的干扰。这两种噪声往往同时出现，使得现有方法顾此失彼：专攻色彩校正的算法对雪花噪声束手无策，而去噪模型又可能加剧颜色失真。这种困境严重制约着水下勘探、生态监测等关键应用。

为此，中国科学院的研究团队在《Displays》发表创新成果，提出名为TJUMnet的双阶段网络。该研究通过教师-学生协同学习策略，首次实现单模型同步处理色彩偏移和海洋雪花噪声。关键技术包括：1）利用预训练教师模型通过潜在空间特征优化(LSFO)模块指导学生模型；2）分层重建(HR)模块通过深度特征对比检查(DFCC)和多维交叉检查(MDCC)提升泛化能力；3）构建包含2700组图像的JUEMR联合数据集。实验表明，该方法在UIEB、LSUI等基准数据集上PSNR提升15%以上。

教师引导特征优化(TFO)阶段
通过将教师模型提取的鲁棒特征映射到共享潜在空间，利用特征对齐损失函数指导学生模型学习。LSFO模块采用跨域注意力机制，有效缩小不同噪声条件下特征分布的差异。消融实验显示，该模块使SSIM指标提升9.3%。

分层重建(HR)阶段
引入对比学习思想，DFCC模块通过正负样本对比增强特征判别力，MDCC模块则从空间、通道等维度交叉验证重建质量。在含强雪花噪声的MSRB数据集测试中，该阶段使PSNR突破32dB大关。

JUEMR数据集价值
涵盖从轻微到严重共6个等级的噪声组合，首次提供色彩偏移与雪花噪声的定量对应关系。该数据集训练的模型在真实场景数据集RUIE上表现优异，验证了方法的实用性。

这项研究的意义不仅在于技术突破，更开创了水下视觉处理的新范式。TJUMnet的"一体双效"特性显著降低了计算资源消耗，而公开的JUEMR数据集为后续研究树立了新基准。正如通讯作者Jincai Chen强调的，该方法已成功应用于深海考古机器人视觉系统，未来在珊瑚礁健康评估等领域具有广阔前景。研究团队特别指出，潜在空间对齐策略可扩展应用于雾天图像去霾等跨域问题，为多退化类型图像恢复提供了普适性框架。