UNIR-Net：一种利用合成数据在非均匀光照条件下恢复水下图像的新方法

《Image and Vision Computing》：UNIR-Net: A novel approach for restoring underwater images with non-uniform illumination using synthetic data

提出一种结合光照增强、注意力机制、视觉优化和对比校正模块的深度学习模型，有效恢复非均匀光照水下图像，并在语义分割任务中验证其实际效果。

　　在海洋探索和水下视觉任务中，水下图像的质量和可用性一直是研究的重点。由于水下环境中的光线吸收和散射现象，水下图像通常会受到非均匀光照（Non-Uniform Illumination, NUI）的影响，导致细节丢失、可视性降低以及对比度显著下降。这种光照不均的现象在水下场景中尤为常见，特别是在深度增加的情况下，自然光会迅速减弱，使得人工照明成为必要的补充。然而，这些人工光源往往无法均匀地照亮整个图像，从而产生中心过曝和边缘欠曝的问题，影响图像的解读和分析。因此，恢复受非均匀光照影响的水下图像对于提升视觉质量和应用效果具有重要意义。

目前，已有多种方法被提出以增强水下图像的质量，包括传统的图像增强技术和基于深度学习的学习方法。传统方法通常依赖于物理模型和图像处理算法，如对比度增强、颜色校正和去雾处理等。这些方法虽然在一定程度上能够改善图像质量，但在处理复杂的光照模式时往往显得力不从心。相比之下，基于深度学习的方法能够通过大规模数据训练，学习图像中的复杂特征和模式，从而实现更高效的图像增强。然而，这些方法也面临一些挑战，例如缺乏专门针对水下非均匀光照的高质量训练数据集，以及模型在处理真实水下场景时可能引入的额外失真。

为了克服这些局限性，本文提出了一种名为UNIR-Net的水下非均匀光照恢复网络。该网络结合了多个关键组件，包括光照增强、注意力机制、视觉优化和对比度校正模块，旨在有效恢复受非均匀光照影响的水下图像。UNIR-Net的设计充分考虑了水下环境的特殊性，能够适应不同光照条件下的图像恢复需求，同时避免引入额外的视觉失真。此外，为了更好地训练和评估模型，本文还引入了一个专门设计的合成数据集——Paired Underwater Non-uniform Illumination (PUNI)数据集。该数据集不仅提供了丰富的水下图像样本，还能够用于监督学习和基准测试，为后续的研究和应用提供了坚实的基础。

UNIR-Net的主要贡献在于其对水下非均匀光照问题的针对性解决。首先，它提出了一种专门针对水下图像的增强方法，能够有效地恢复图像中的细节和对比度，同时保持图像的自然视觉效果。其次，PUNI数据集的引入填补了当前水下图像增强领域在合成数据方面的空白，为模型的训练和评估提供了高质量的数据支持。最后，通过在真实水下场景中的实验验证，UNIR-Net不仅在图像增强任务中表现出色，还显著提升了后续视觉任务（如语义分割）的性能，表明其在实际应用中的重要价值。

在水下图像增强领域，非均匀光照的处理一直是研究的难点之一。水下环境的复杂光学特性，如空间变化的光照衰减、强烈的散射效应以及波长相关的吸收现象，使得图像恢复变得更加困难。这些问题在真实水下场景中尤为明显，因为光照条件可能在单张图像中发生剧烈变化，而传统的增强技术往往无法有效应对这种变化。此外，许多用于陆地低光照增强的方法在应用于水下图像时，会因未能充分考虑水下环境的特殊性而产生绿色调或其他失真现象，影响图像的准确性和实用性。

UNIR-Net的提出正是为了应对这些挑战。该网络通过整合多个关键模块，如光照增强、注意力机制、视觉优化和对比度校正，能够更精确地模拟水下光照的分布情况，并据此调整图像的亮度和颜色。这种设计不仅有助于恢复图像中的细节，还能在保持图像自然性的同时，避免引入额外的失真。例如，光照增强模块能够有效处理图像中的过曝和欠曝区域，确保图像的整体亮度分布更加合理；注意力机制则有助于模型聚焦于图像中光照变化较大的区域，从而提升恢复效果；视觉优化模块则负责进一步提升图像的清晰度和色彩准确性；而对比度校正模块则能够增强图像的对比度，使其更加适合后续的视觉任务处理。

为了验证UNIR-Net的有效性，本文在PUNI数据集和大型真实水下非均匀光照数据集NUID上进行了广泛的实验。实验结果表明，UNIR-Net在定量指标和视觉效果方面均优于现有的方法。此外，UNIR-Net在水下语义分割等下游任务中的表现也得到了显著提升，说明其不仅适用于图像增强任务，还能为其他视觉任务提供可靠的支持。这一结果进一步证明了UNIR-Net在水下图像增强领域的实用价值和广泛适用性。

在实际应用中，水下图像增强技术对于多种任务都至关重要。例如，在自主水下机器人（AUVs）和遥控潜水器（ROVs）的应用中，清晰的图像质量直接影响到任务的执行效率和安全性。在水下目标检测和语义分割等任务中，图像的清晰度和对比度是决定模型性能的关键因素。因此，开发一种能够有效处理非均匀光照问题的增强方法，不仅有助于提升图像的视觉质量，还能为各种水下应用提供更准确的数据支持。

UNIR-Net的设计充分考虑了这些实际需求，通过结合光照增强和注意力机制，实现了对图像中不同光照区域的精准处理。同时，该网络还引入了视觉优化和对比度校正模块，以进一步提升图像的清晰度和色彩准确性。这种多模块的集成设计使得UNIR-Net能够适应不同的光照条件，并在多种水下场景中保持良好的恢复效果。此外，PUNI数据集的引入也为后续研究提供了丰富的数据资源，有助于推动水下图像增强技术的发展。

在实验分析中，本文对UNIR-Net的性能进行了全面评估，包括定量指标和视觉效果的分析。定量指标方面，采用了多种常用的图像质量评估方法，如峰值信噪比（PSNR）、结构相似性指数（SSIM）等，以客观衡量图像恢复的效果。视觉效果方面，则通过主观评价和对比实验，直观展示了UNIR-Net在处理非均匀光照问题上的优势。实验结果表明，UNIR-Net在恢复图像细节、提升对比度和避免失真方面均表现出色，为水下图像增强提供了新的解决方案。

除了图像增强任务，UNIR-Net还在水下语义分割等下游任务中展现出良好的应用前景。在这些任务中，图像的清晰度和对比度直接影响到模型的分割精度和鲁棒性。通过将UNIR-Net作为预处理步骤，可以显著提升语义分割模型的性能，使其在复杂水下环境中更加可靠。这一发现不仅验证了UNIR-Net在图像增强方面的有效性，也表明其在更广泛的应用场景中具有重要的价值。

总体而言，UNIR-Net的提出为水下图像增强领域带来了新的突破。通过结合多种先进的图像处理技术和深度学习方法，该网络能够有效应对水下非均匀光照带来的挑战，提升图像的视觉质量和实用性。同时，PUNI数据集的引入也为该领域的研究提供了重要的数据支持，有助于推动相关技术的进一步发展。随着水下视觉任务的不断扩展，UNIR-Net有望在更多实际应用中发挥重要作用，为海洋探索和水下工程提供更加可靠的技术保障。