基于双通道先验与对比学习的水下图像增强深度展开方法

针对水下图像因波长依赖性光吸收和散射导致的视觉质量退化问题，研究人员提出了一种结合模型驱动与数据驱动的深度展开网络Dual-CLUE。该研究通过双通道先验（DCP/BCP）和对比学习策略，构建了具有物理可解释性的优化框架，实验表明其性能优于现有UIE算法，为海洋计算机视觉任务提供了高质量图像预处理方案。

　　

水下世界的神秘与美丽常因光线衰减、散射效应而隐藏。当光线穿过水体时，不同波长的光被选择性吸收，导致拍摄的图像出现低对比度、模糊和色偏。这不仅影响人类观赏，更严重制约了水下机器人、生物监测等计算机视觉应用的精度。传统方法要么依赖简单像素调整忽略物理模型，要么基于手工设计的先验易产生建模误差；而纯数据驱动的深度学习虽效果显著，却面临配对数据稀缺和模型不可解释的困境。

韩国浦项科技大学的研究团队在《Journal of Visual Communication and Image Representation》发表论文，提出名为Dual-CLUE的创新框架。该工作将水下图像增强（UIE）建模为融合双通道先验的优化问题：通过暗通道先验（DCP）和亮通道先验（BCP）捕捉水下图像与自然图像的分布差异，并引入隐式正则化器补偿物理模型误差。研究人员采用算法展开技术，将迭代优化过程转化为由CNN实现的深度网络模块，同时结合对比学习增强特征判别力。实验证明该方法在UIEB、UCCS等数据集上超越10余种对比算法，且具有更优的泛化性和计算效率。

关键技术包括：1）基于光传输模型构建双通道先验优化目标；2）通过展开技术将迭代算法映射为可训练网络模块；3）设计负样本生成策略实现对比学习；4）使用UIEB数据集800对图像进行监督训练。

研究结果

1. 问题建模：通过分析水下图像形成机制，建立包含传输图t(x)和背景光B的物理方程I(x)=J(x)t(x)+B(1-t(x))，并联合DCP/BCP约束构建目标函数。
2. 算法展开：将半二次方分裂算法展开为级联网络模块，其中传输图更新采用闭式解，而正则项通过3层CNN学习实现。
3. 对比学习：在特征空间拉近增强图像与真实干净样本距离，同时推远与人工构造的色偏样本距离，提升颜色还原能力。
4. 性能验证：在SQUID数据集上，Dual-CLUE的UIQM指标达到3.21，较次优算法提升12%；消融实验证实双通道先验和对比学习分别贡献约35%和18%的性能增益。

该研究的突破在于首次将物理模型的可解释性与深度学习的灵活性通过展开技术有机结合。其提出的隐式正则化器有效缓解了传统DCP在水下场景的局限性，而对比学习策略无需复杂负样本采集即可提升特征判别力。这项工作不仅为水下视觉系统提供了可靠预处理工具，其"模型引导+数据驱动"的框架设计思路对低光照增强、去雾等相邻领域亦有启发意义。作者在讨论中指出，未来可探索自适应块间连接机制以进一步优化信息流路径。