融合学习与非学习：用于水下图像增强的混合CNN-Transformer协作竞争网络

《IEEE Transactions on Broadcasting》：Fusing Learning and Non-Learning: Hybrid CNN-Transformer Cooperative-Competitive Network for Underwater Image Enhancement

水下图像增强（UIE）研究旨在通过非学习和学习方法解决水下图像退化问题，但存在一般化能力不足或过度/欠增强的缺陷。本文提出Co2Net模型，融合非学习机制与深度学习框架，通过合作竞争模块实现可解释先验知识与分层特征的信息融合，采用CNN-Transformer混合架构优化特征提取与传输。实验验证了其在多种水下场景下的优越性和泛化能力，并展示了各组件的有效性。

　　

摘要：

水下图像增强（UIE）旨在为具有挑战性的水下场景提供高质量的观测结果，这对各种广播技术具有重要意义。目前已经提出了许多基于非学习和基于学习的UIE方法，并已应用于实际场景。然而，基于非学习的策略通常难以展现出出色的泛化能力，而基于学习的策略则往往由于缺乏足够的先验知识而出现过度增强或增强不足的问题。为了解决上述挑战，本文提出了一种启发式的合作-竞争网络，称为Co2Net。具体而言，我们的Co2Net将非学习机制集成到深度学习框架中，以实现来自可解释的先验知识和可辨识的层次特征的信息融合，从而有效地提升退化的水下图像的质量。此外，Co2Net采用了混合卷积神经网络（CNN）-Transformer架构，该架构包含多个连续的合作-竞争模块（Co2Ms），以充分提取、表示和传输先验知识及可辨识的特征。我们通过全面的实验验证了所提出的Co2Net的优越性和通用性，并进行了充分的消融研究，以揭示模型中各个组件的有效性。源代码可在以下链接获取：https://github.com/jixun-dmu/Co2Net