利用深度学习的自适应水下图像增强技术 亚历山德罗斯·弗罗希迪斯（Alexandros Vrochidis）和 斯特利奥斯·克里尼迪斯（Stelios Krinidis）

《Applied System Innovation》：Adaptive Underwater Image Enhancement Techniques Using Deep Learning Alexandros Vrochidis and Stelios Krinidis

　　

摘要

水下图像常常会因为水中的光吸收和散射而出现质量下降的问题，包括颜色失真、可见度降低以及对比度低等。为了提高视觉质量并解决这些问题，已经提出了许多增强技术。然而，没有一种方法能够在所有水下场景中都始终表现出最佳效果。本研究介绍了一个新颖的深度学习框架，用于自动选择最适合水下图像的增强技术。该框架引入了一种融合目标度量方法，结合了水下彩色图像质量评估（UCIQE）、水下图像质量度量（UIQM）和水下图像保真度（UIF）指标，以有效评估图像质量。然后利用这一度量方法训练了一个“移位窗口”（Swin）变换器模型，该模型能够预测每张图像的最佳增强方法。这种方法通过数据驱动的、自适应的过程来应对不同的图像条件，从而提升了水下图像的自动增强效果。实验结果表明，所提出的模型在选择最佳增强技术方面的F1分数达到了87.88%，能够根据输入图像的特性有效确定最佳的增强方案。