基于Retinex理论与Mamba架构的低照度水下图像增强方法研究

为解决低照度水下图像存在的严重退化问题，研究人员提出了一种双路径Retinex-guided Mamba网络（RM-UIE），通过多尺度Retinex估计器（MRE）和八方向Mamba模块（8D-MB）协同优化反射率与光照图，在UIEB数据集上PSNR达27.4237、SSIM达0.8915，显著提升了图像细节与光照恢复性能。

　　

水下机器人技术的快速发展为海洋资源开发提供了重要支持，但水下复杂的光学环境导致拍摄的图像普遍存在颜色失真、细节模糊和能见度低等问题。尤其低照度条件下，光线衰减和散射效应加剧，传统增强方法难以有效恢复图像质量。尽管基于深度学习的方案取得进展，现有方法在光照退化严重的场景中仍表现不佳。针对这一挑战，闽江大学的研究团队创新性地将Retinex理论与前沿的Mamba架构结合，提出了RM-UIE模型，相关成果发表于《Engineering Applications of Artificial Intelligence》。

研究团队采用三项关键技术：1）多尺度Retinex估计器（MRE）将输入图像分解为反射率和光照分量；2）创新的八方向状态空间模型（8D-SSM）突破传统二维扫描（SS2D）的空间局限性；3）迭代式8D-MB模块实现双路径优化。实验数据来自主流UIEB数据集。

Multi-scale Retinex Estimator设计
通过多尺度卷积网络生成初始反射率图R?和光照图L?，建立符合物理规律的分解基础。

8D-MB模块创新
核心是八方向扫描机制（斜向+四向），解决了SS2D在行列衔接处的信息割裂问题，使像素关联更符合水下图像的空间特性。

实验结果验证
在UIEB数据集上，RM-UIE的PSNR（27.4237）和SSIM（0.8915）显著优于对比方法，尤其在红通道恢复和边缘保持方面优势明显。

该研究首次将Mamba的序列建模优势引入水下图像增强领域，通过8D-SSM实现了更全面的空间上下文捕捉。其技术路线为复杂光学环境下的图像处理提供了新范式，未来可扩展至医学内镜、深海探测等低照度场景。作者Jiaquan Yan等特别指出，该方法计算效率优于Transformer架构，适合部署在资源受限的水下设备中。