多尺度色彩线模型与逆向Retinex引导的CMRG-CycleGAN水下图像增强算法研究

针对水下图像存在的色彩失真、雾化及低光照问题，河北教育部门资助团队提出CMRG-CycleGAN算法，通过多尺度色彩线模型(MCLM)和逆向Retinex模型(RRM)双向物理建模，结合孪生子网生成器与相对对抗损失，显著提升图像质量。该研究发表于《Digital Signal Processing》，为水下机器人视觉任务提供新解决方案。

　　

研究背景
海洋资源的开发离不开水下机器人的精准作业，而光学视觉系统获取的水下图像却常因复杂环境遭受"三重暴击"：光线被水体吸收散射导致的色彩失真、悬浮颗粒造成的雾化效应、湍流引发的细节模糊。传统方法要么过度依赖先验知识缺乏普适性，要么受限于训练数据质量，而现有深度学习与物理模型结合的方法往往仅单向使用物理约束，难以真实模拟水下成像的退化机制。

研究设计与方法
河北省自然科学基金支持的研究团队提出CMRG-CycleGAN框架，创新性地将多尺度色彩线模型(MCLM)嵌入增强分支实现物理去雾，在退化分支设计逆向Retinex模型(RRM)通过联合优化光照与反射分量模拟真实退化。采用孪生子网生成器分别处理图像细节与物理信息，配合相对对抗损失提升网络自主性。实验使用标准水下数据集，通过PSNR、SSIM等指标与FUnIE-GAN等模型对比验证。

研究结果

1. 方法框架：构建包含MCLM-RRM的双向物理建模循环，增强分支通过多尺度色彩聚类线校正色偏，退化分支利用Retinex逆向处理生成符合光学原理的退化图像。
2. 孪生子网生成器：独立编码网络处理原始图像细节（细节子网）和MCLM/RRM物理信息（物理子网），在EUVP数据集测试显示细节保留度提升23%。
3. MCLM模块：在Laplacian金字塔三个尺度提取色彩线特征，有效解决单尺度模型在强散射场景的失效问题，UIQM指标较传统Color-Line提高1.8倍。
4. RRM模块：通过可微渲染联合优化光照图与反射图，生成的退化图像与真实水下图像分布距离降低37%。
5. 相对对抗损失：通过比较样本间真实性而非绝对判别，使生成器在无参考图像时仍保持增强效果，消融实验证明该损失使FID分数改善15%。

结论与意义
该研究开创性地实现了物理模型与生成对抗网络的深度耦合：MCLM模块赋予网络色彩校正的物理解释性，RRM模块首次将Retinex理论逆向应用于退化建模。实验证明该方法在极端低照度场景仍保持稳定性，但面对波长特异性衰减时存在改进空间。技术突破为水下考古、管线检测等应用提供可靠视觉支持，其双向物理建模思想对医学影像增强等领域具有借鉴价值。