基于增量学习和改进的概率不确定性建模的水下图像增强方法

《Expert Systems with Applications》：Underwater image enhancement method based on incremental learning and improved probabilistic uncertainty modeling

　　

韩永明|孙瑞霞|王磊|蔡磊|张帅|耿志强

北京化工大学信息科学与技术学院，中国北京100029

摘要

水下图像增强（UIE）对于海洋资源探索和智能水下系统的发展至关重要，在具有挑战性的水环境中的视觉任务中，较差的图像质量会严重阻碍任务的准确性和性能。当前的UIE技术存在显著局限性，例如参考注释的模糊性、整体特征表示能力不足，以及适应动态水下场景的能力有限。本文提出了一种基于概率不确定性建模与增量学习（PMIL）的新颖UIE框架。该框架将增量学习与概率不确定性建模相结合，以减轻标签的模糊性并提高增强结果的多样性。PMIL的编码器融入了一个改进的Mamba结构模块，该模块能够有效捕获长距离的空间依赖性，同时在保持局部细节的同时整合全局信息。此外，基于知识蒸馏的增量学习策略确保了模型能够持续适应新的水下场景，而不会忘记先前的知识。在真实世界数据集上的广泛实验表明，PMIL取得了优异的性能，结构相似性指数（SSIM）达到0.931，峰值信噪比（PSNR）达到25.301，优于六种代表性的UIE方法。同时，PMIL还获得了最佳的无需参考的自然图像质量评估器（NIQE）分数，证明其在增强水下图像方面的出色视觉质量、鲁棒性和适应性。

引言

作为关键的信息载体，水下图像在海洋任务中发挥着重要作用（张等人，2024年；Saleem等人，2023年）。然而，复杂多变的水下环境常常导致水下图像严重退化，包括雾化和颜色失真，这极大地妨碍了有效视觉信息的获取。因此，恢复退化的水下图像以获得清晰的结果在海洋探索中具有重要的实际意义（韩等人，2022年）。水下图像增强（UIE）通过提高图像清晰度、对比度和颜色保真度为复杂的水下应用提供了关键技术支持（金等人，2022年）。

多年来，人们一直在努力提高水下图像的质量。传统的非物理模型基方法主要侧重于直接的像素级操作来增强视觉效果，包括直方图拉伸、基于视网膜模型的校正和图像融合策略。一个典型的两阶段框架首先进行颜色校正，然后应用对比度增强。然而，由于许多方法缺乏明确的物理约束，增强过程往往会导致过度增强、欠增强或颜色过饱和（Mi，2025年1月）。即使使用先进的深度学习技术（侯等人，2018年），高质量真实世界数据集的稀缺性也为相关研究带来了重大挑战（Saini等人，2025年）。大多数现有的基于深度学习的UIE方法采用一对一映射学习模型，将退化的图像直接映射到单一的清晰参考图像（Dudhane等人，2020年）。实际上，同一张退化的图像可能对应于多种合理的增强结果。此外，水下环境的动态和复杂特性经常违反传统模型中嵌入的物理或统计假设（严等人，2026年）。因此，点对点的监督训练通常导致泛化能力有限，特别是在模型遇到未见过场景时。高质量配对训练数据集的稀缺性限制了模型的性能，使得这些模型在遇到未见场景时容易过拟合（Sidike等人，2018年3月）。最近的研究探索了生成模型，如基于生成对抗网络（GANs）的方法和考虑不确定性的扩散模型，以提高感知质量和建模灵活性。然而，这些方法仍然严重依赖于配对或伪标记的数据（Ashwini等人，2025年；Zeng，2025年）。为了克服这些局限性，本文提出了基于概率不确定性建模与增量学习（PMIL）的统一UIE框架，该框架将概率不确定性建模（PUM）与增量学习相结合。所提出的方法将水下图像增强视为一个渐进的表示学习过程，在观察到新数据时不断更新模型的视觉知识。具体而言，首先通过骨干增强网络将退化的水下图像映射到潜在特征空间，然后引入PUM来保持对应于不同视觉模式的代表性特征原型。

PMIL策略使得存储的原型可以在线更新，使模型能够适应新遇到的水下场景，同时有效缓解灾难性遗忘（Sun等人，2022年）。在训练过程中，增强网络和记忆单元共同优化，从而使得学习到的表示和原型能够持续精炼。在推理过程中，更新后的原型指导增强网络重建视觉上一致且颜色校正的水下图像。

通过结合增量学习（IL）、基于原型的记忆更新和端到端优化，所提出的UIE框架在多样的水下环境中实现了稳健的增强性能。

本工作的主要贡献总结如下：

1.

通过将条件变分自编码器（CVAE）与概率不确定性建模集成到水下图像增强流程中，开发出了一个PMIL框架。该设计明确解决了由于注释模糊性导致的参考标签的多解性问题，从而提高了增强结果的多样性和鲁棒性。

2.

在PMIL框架的编码器中融入了一个改进的Mamba模块。通过利用选择性扫描和硬件感知设计，该模块有效过滤了显著特征，并增强了模型捕获长距离全局依赖性的能力。与传统基于Transformer的架构相比，该设计在保持局部细节和全局信息建模之间取得了更好的平衡，实现了高效稳定的水下图像增强。

3.

引入了IL策略，使模型能够识别新类别和现有类别的信息。通过利用知识蒸馏等IL机制，所提出的模型在遇到新环境或数据时可以不断获取新知识，同时保留先前学到的信息。此外，这一策略有效缓解了灾难性遗忘，并显著提高了模型的泛化性能。在真实世界水下数据集上的评估显示，其性能优于六种主流基线方法，关键指标包括结构相似性指数（SSIM）、峰值信噪比（PSNR）和自然图像质量评估器（NIQE）。

本文的其余部分结构如下：第Ⅱ节回顾了相关研究；第Ⅲ节详细介绍了所提出方法的技术方面；第Ⅳ节描述了实验设置并分析了结果；第Ⅴ节总结了研究 findings 并指出了未来研究方向。

章节摘录

相关工作

UIE旨在减轻由水下环境中的光吸收和散射引起的退化，这些因素通常会导致颜色失真、对比度降低和细节模糊（Kahveci和Avaroglu，2025年）。从方法论角度来看，现有的UIE方法大致可分为基于物理的方法和基于深度学习的方法。

基于物理的方法试图通过显式建模水下成像过程来恢复退化的图像，这通常依赖于

方法论

本节详细介绍了PMIL图像增强模型，包括基于CVAE的概率不确定性建模、改进的Mamba结构编码器、概率自适应实例归一化（PAdaIN）模块、损失函数设计以及基于知识蒸馏的IL策略。

结果与讨论

本节通过全面的实验系统验证了所提出的PMIL的有效性和鲁棒性。以下小节概述了实验设置，包括比较算法的选择、数据集构建、评估指标和实现细节。随后的小节通过定量和定性比较展示了所提出方法的整体性能与现有最先进方法的优势。

结论

本文提出了一种结合IL和PUM的新方法，以解决传统UIE方法中的标签模糊性和泛化能力不足问题。所提出的PMIL框架增强了编码器中的Mamba架构，从而加强了全局特征提取能力。同时，该框架进一步整合了IL策略，使模型能够在新环境中保留先前的知识，从而提高了模型的稳定性和泛化性能

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作部分得到了国家自然科学基金（62422303，22441010）、北京自然科学基金（4254113）和中国中央高校基本科研业务费（ZY2612）的支持。