基于小波融合条件盲点网络(WFC-BSN)的自监督前视声呐去噪方法研究

【编辑推荐】针对水下前视声呐图像因复杂环境噪声和结构噪声导致的细节丢失问题，研究人员提出基于小波变换融合块(WTFB)和盲点自位移损失(Blind-Self Displacement Loss)的自监督去噪网络WFC-BSN。该技术通过多频域特征解耦和真实海洋数据集验证，显著提升细节保留能力，并为声呐去噪任务首次构建了清洁-噪声配对基准数据集，推动水下智能探测技术发展。

　　

水下探测如同在浓雾中寻找路标，前视声呐（Forward-looking sonar）正是穿透这片"迷雾"的关键工具。然而，海水温度变化、浮游生物散射、设备固有噪声等因素，使得声呐图像仿佛被泼洒了混合颜料——高斯噪声、泊松噪声和散斑噪声交织叠加，严重干扰目标识别。更棘手的是，传统去噪方法如同用钝刀雕花：非学习方法依赖人工调参易过度平滑细节；监督学习需要大量清洁-噪声配对数据，而真实水下环境根本无法提供理想"参考答案"。这种困境严重制约了水下机器人避障、沉船打捞等关键任务的准确性。

针对这一挑战，中国国家自然科学基金资助团队提出革命性解决方案——基于小波融合的条件盲点网络(Wavelet fusion-based conditional blind-spot network, WFC-BSN)。这项发表于《Engineering Applications of Artificial Intelligence》的研究，首次将频域分析与自监督学习巧妙结合，如同为声呐图像装上"降噪耳机"和"显微镜"的双重装备。

技术方法上，研究团队创新性地开发了三项核心技术：1）小波变换融合块(Wavelet Transform Fusion Block, WTFB)将特征图分解为高低频成分，通过差分-求和特征融合扩大感受野；2）盲点自位移损失函数结合数据扰动和像素自相似性约束；3）从真实海洋连续帧中提取潜在清洁特征构建评估数据集。实验采用3800张1024×768分辨率声呐图像，涵盖750kHz低频至1200kHz高频等多种工况。

研究结果展现出突破性进展：

1. 网络架构设计：WTFB模块通过哈尔小波(Haar wavelet)实现四通道频域分解，高频分量处理采用残差密集块(Residual Dense Block)增强细节捕捉，使PSNR指标提升2.7dB。
2. 损失函数创新：Blind-Spot Displacement Loss通过25%随机子采样打破噪声空间相关性，Self-Similar Displacement Loss保留原始像素信息，联合优化使SSIM提高15%。
3. 基准数据集构建：从连续帧中提取潜在清洁特征的方法，首次实现真实声呐图像的参考指标评估，FID分数降低32.5%。
4. 跨任务验证：去噪后图像在YOLOv5目标检测中mAP@0.5提升11.3%，尤其对小型目标（如水雷）的召回率改善显著。

结论部分指出，WFC-BSN成功解决了传统方法对噪声先验知识的依赖问题，其频域特征解耦策略为处理空间相关噪声提供了新范式。实际应用中，该方法在浑浊水域探测时仍保持89%的细节保留率，且推理速度达45fps，满足实时作业需求。讨论中强调，这项技术不仅推动声呐图像处理进入自监督时代，其构建的评估体系更为水下人工智能建立了新标准。正如研究者所言："当算法学会在混沌中识别秩序，人类探索深蓝的视野将再无阻隔。"