摘要
水下图像增强技术已被广泛研究，旨在提升图像质量；然而，其对后续几何任务（如稀疏3D重建）的影响仍缺乏充分理解。特别是，经过视觉增强的图像并不一定能带来更好的特征匹配或重建性能。本研究从任务导向的角度出发，探讨了如何为水下结构从运动（Structure-from-Motion, SfM）流程选择合适的预处理策略。我们提出了一种基于机器学习的轻量级预处理选择器，该选择器可以根据图像统计信息预测重建性能，并为每个输入序列推荐合适的增强策略。为确保评估的可靠性，我们引入了一种“分组留一父序列法”（grouped leave-one-parent-sequence-out）协议，以避免片段分割中常见的重叠偏差。实验使用来自“真实世界水下图像增强”（Real-world Underwater Image Enhancement, RUIE）基准测试的数据集进行，主要比较指标是重建的稀疏3D点数量。同时记录了其他几何参数，包括注册图像的数量、平均轨迹长度和平均重投影误差，以便进一步分析。结果表明，预处理选择对重建结果有显著影响，且最佳策略因场景而异。所提出的选择器在评估的子集上始终优于原始输入，并且与固定的预处理基线相比也具有竞争力。分组留一父序列法旨在减少片段分割中的重叠偏差，提供更保守的泛化估计。本研究强调了在水下视觉系统中考虑任务特性的预处理和可靠评估的重要性，为在实际3D重建流程中应用增强策略提供了实用见解。
