基于无监督对比学习引导扩散模型的水下光学图像增强方法研究

针对水下图像存在的色彩失真、模糊及低对比度问题，研究团队提出无监督对比学习引导扩散模型（UCL-Diff），通过对抗训练与去噪扩散概率模型（DDPM）结合，首次实现无需配对数据的真实水下场景图像增强。该模型通过小波域低频扩散与高频增强模块（HFEM）协同优化，显著提升图像质量，性能媲美监督学习方法，为海洋探测技术提供新工具。

　　

水下环境的光学成像长期面临三大挑战：光线波长依赖性衰减导致的色彩失真、悬浮颗粒散射引发的低对比度，以及复杂洋流环境难以获取配对数据。传统方法依赖物理模型或合成数据，但存在域偏移问题；现有无监督方法如CycleGAN易丢失细节，而扩散模型（DDPM）因需监督信号难以直接应用。中国的研究团队提出UCL-Diff模型，通过双向优化框架突破这些限制。

关键技术包括：（1）对抗对比学习预增强网络（ACL-Net）实现无监督初步优化；（2）基于2D离散小波变换（2D-DWT）的条件扩散模型（DWT-CDM）处理低频信息；（3）高频增强模块（HFEM）补充细节。实验采用1000张真实水下图像训练，在RTX 4090显卡上完成200轮次优化。

Methodology
研究构建的双阶段模型中，ACL-Net通过对抗损失和对比损失提取域不变特征，将退化图像映射到高质量空间；DWT-CDM则在小波域进行400步扩散，仅对低频分量去噪以提升效率。HFEM通过残差学习强化纹理细节，最终通过多损失联合优化实现端到端训练。

Implementation details
模型在256×256像素块上训练，初始学习率1e-4动态衰减。K=2级小波分解平衡计算量与效果，时间步T=400确保扩散充分性。实验证明该方法在UIEB等基准数据集上PSNR提升15%，SSIM改善20%。

Conclusion
UCL-Diff的创新性体现在三方面：首次将无监督对比学习与扩散模型结合，设计小波域条件扩散加速推理，并通过双向优化解决未知退化问题。其增强效果接近监督方法，为海洋生物监测、海底测绘等应用提供可靠技术支撑。

该研究发表于《Optics and Lasers in Engineering》，通讯作者Xianping Fu团队获得中国国家自然科学基金（62176037）等资助，标志着我国在水下人工智能领域取得重要突破。