综述：从物理学到《变形金刚》：物理引导与基于学习的水下图像去雾技术综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：From Physics to Transformers: A Review of Physics-Guided and Learning-Based Underwater Image Dehazing

　　

摘要

在水下成像和计算机视觉领域，利用去雾技术对水下图像进行增强面临着重大研究挑战，这主要是由于光吸收、散射以及基于波长的衰减效应所致。这些因素导致图像对比度降低、颜色失真和图像模糊，从而使得在水下进行观察、监测和导航变得更加困难。本研究对水下图像去雾技术进行了全面分析，描述了从传统的基于物理原理和增强算法的技术，到先进的深度学习和基于Transformer的技术的发展过程。文章回顾了基本的光学原理，如比尔-朗伯定律（Beer–Lambert equation）和Jaffe–McGlamery成像模型，这些原理解释了光波在水下环境中的传播及其衰减现象。传统的基于增强的技术，如直方图均衡化（histogram equalization）、基于对比度限制的自适应直方图均衡化（contrast-limited adaptive histogram equalization）、Retinex算法以及多尺度融合技术（multi-scale fusion techniques），具有较高的效率并且计算复杂度较低。最新的基于深度学习的技术，包括卷积神经网络（convolutional neural networks）、生成对抗网络（generative adversarial networks）和基于Transformer的架构，能够恢复图像细节，提升感知质量，并在多种环境条件下改善图像的泛化能力。该综述还着重评估了现有的基准数据集以及图像质量测量参数，如峰值信噪比（peak signal-to-noise ratio）、结构相似性指数（structural similarity index）、水下图像质量度量（underwater image quality measure）和水下彩色图像质量评估（underwater color image quality evaluation）。同时，也指出了水下图像增强所面临的各种挑战，例如环境变化、数据限制以及实时处理的局限性。此外，还探讨了这些技术在机器人技术、水下考古学和海洋生物学中的实时应用，这些应用基于一些新兴趋势，如基于物理原理的学习方法（physics-guided learning）、自我监督训练（self-supervised training）、轻量级架构（lightweight architectures）和领域适应（domain adaptation）。