《Engineering Applications of Artificial Intelligence》：Self-supervised underwater image enhancement method using dual attenuation coefficient physical modeling and multi-dimensional feature fusion
编辑推荐：
水下成像常因散射和光照不均匀而退化，导致颜色失真、对比度降低和细节丢失。许多现有水下图像增强方法采用单一衰减系数来同时建模直接传输和反向散射。然而，这种简化假设可能无法充分捕捉水下成像中涉及的不同物理衰减行为，从而限制了其在变化水况和光照环境下的性能。在这项工
水下成像常因散射和光照不均匀而退化，导致颜色失真、对比度降低和细节丢失。许多现有水下图像增强方法采用单一衰减系数来同时建模直接传输和反向散射。然而，这种简化假设可能无法充分捕捉水下成像中涉及的不同物理衰减行为，从而限制了其在变化水况和光照环境下的性能。在这项工作中，研究人员提出了一种结合双衰减系数物理建模与先验引导自监督学习的水下图像增强框架。该方法分别对直接光和反向散射的衰减过程进行建模，旨在更好地反映它们各自的物理特性。此外，研究人员引入了一种多维特征融合策略用于背景光估计，并结合同源一致性约束和区域级感知融合机制，以改善结构一致性和细节表示。该方法以自监督方式训练，无需大规模配对数据集。在六个基准数据集上的实验结果表明，与16种近期水下图像增强方法相比，所提方法在颜色恢复、对比度增强和细节保留方面取得了具有竞争力的性能。代码已公开于：https://github.com/LesterQF/SDFM。
**水下图像增强的物理-数据融合方法：自监督双衰减系数建模与多维特征融合策略解读**
**研究背景与问题**
水下光学成像环境复杂，光在水中传播时受到吸收和散射的严重影响。吸收作用导致光谱选择性衰减，使红色波段能量迅速损失，而散射作用（包括前向散射和反向散射）则引起图像模糊、对比度降低和细节丢失。此外，不均匀光照（如人工光源、波浪折射）会进一步造成局部过曝或欠曝。这些退化现象不仅降低人眼视觉质量，还严重阻碍了高级视觉任务（如目标检测、特征匹配、三维重建）的性能。现有水下图像增强方法主要分为三类：基于物理模型的方法、基于非物理模型的方法和基于深度学习的方法。物理模型方法（如基于暗通道先验、水下成像模型等）通过模拟光传播机制来恢复图像，但多采用单一衰减系数假设，无法区分直接传输与反向散射的不同物理过程，在复杂多变的水质和光照条件下参数估计不准，易导致过校正或颜色失真。非物理模型方法（如直方图均衡化、伽马校正、Retinex等）仅依赖经验图像处理技术，缺乏物理一致性，虽能提升局部对比度，但易引入伪影或无法恢复真实颜色。深度学习方法通过端到端学习从大量数据中自动提取特征，但严重依赖大规模配对数据集，采集成本高，且“黑箱”特性导致可解释性差，在极端退化或未见场景下泛化能力不足。因此，如何有效结合物理模型的准确性、非物理模型的灵活性以及深度学习的自适应性，同时避免对大规模标注数据集的依赖，成为水下图像增强领域的关键挑战。
**研究内容与结论**
为解决上述问题，研究人员提出了一种自监督融合水下图像增强框架SDFM（Self-supervised Dual-attention Fusion Method）。该框架的核心创新在于：1）提出双衰减系数物理成像模型，分别独立建模直接传输和反向散射的衰减过程，以更准确地刻画不同水环境下光信号的空间变化和光谱特性；2）设计基于多维特征融合的背景光估计方法，融合亮度、饱和度和色偏信息，通过四叉树分解进行多尺度候选区域搜索，并引入亮度自适应权重，结合变分自编码器（VAE）进行端到端优化，提升背景光估计的鲁棒性；3）引入同源一致性约束，利用重退化生成的同源图像（经历相同退化过程）对场景辐射度进行约束，减少重建误差，增强物理合理性；4）设计区域级感知融合策略，将物理模型恢复结果与非物理增强结果进行自适应加权融合，在不同区域选择最优结果，实现全局亮度一致性与局部细节恢复的互补。该方法在自监督框架下训练，无需配对数据集，仅使用来自UIEB和UCCS数据集共1190张图像（90%训练、10%验证）进行训练。在六个基准数据集（Test-U120、Test-G1000、EUVP、SUIM-E、OceanDark、Color-Checker7）上，与16种先进方法（包括TEBCF、EUIVF、WCD、DEA、UTV、UDCP、TSA、MSPE、ROP、DNIM、CLUIE、UWCNN、Histoformer、HFM、Udnet、WWE-UIE）进行定性和定量比较。实验表明，SDFM在颜色恢复、对比度增强和细节保留方面均取得具有竞争力的性能，在多个全参考指标（PSNR、SSIM、GMSD、FSIMc、MS-SSIM）和无参考指标（IE、FADE、UIQM、UISM）上排名第一或第二。消融实验验证了双衰减系数建模、多维特征融合背景光估计、同源一致性约束和区域感知融合各模块的有效性。应用测试（边缘检测、SIFT特征匹配、几何变换估计、水下目标检测）进一步证明了该方法的实用价值。论文发表在《Engineering Applications of Artificial Intelligence》。
**主要关键技术方法**
研究人员采用以下关键技术方法：1）**双衰减系数物理建模**（Dual Attenuation Coefficient Physical Modeling, DACPM）：基于Beer-Lambert定律，独立建模直接传输和反向散射的衰减过程，分别用不同的衰减系数表征，克服传统单一衰减系数模型无法区分两者物理差异的局限。2）**多维特征融合背景光估计**（Multi-dimensional Feature Fusion for Background Light Estimation）：融合亮度、饱和度和色偏三个特征，采用四叉树分解进行多尺度候选区域搜索，并通过亮度自适应权重（sigmoid函数）动态融合最大值和最小值，得到伪标签；再通过变分自编码器（VAE）进行端到端优化，输出精确背景光。3）**同源一致性约束**（Homology Consistency Constraint）：通过线性混合操作生成重退化图像，构建参数共享的双分支网络（JNet和JHNet），施加一致性损失（L
h），迫使网络在不同退化程度下恢复一致的场景辐射度，降低重建误差。4）**区域级感知融合策略**（Region-level Perceptual Fusion Strategy）：结合梯度幅度（GM）和色度图（CM）计算物理模型输出和非物理增强输出与输入图像的相似度，通过Softmax生成权重，逐像素融合，自适应选择最优区域，实现互补优势。样本来源：UIEB（890张）和UCCS（300张）数据集，按90%训练、10%验证划分。
**研究结果**
**4.2 在TEST-U120数据集上的定性和定量比较**
定性结果显示，SDFM有效校正了色偏，提升了对比度和细节清晰度，优于WCD、UTV、UDCP等方法的过绿或过蓝现象，以及DEA、TSA的过增强问题。定量指标上，SDFM在PSNR（22.7001）、SSIM（0.7970）上取得最高值，GMSD（0.0630）第二低，FSIMc（0.8587）和MS-SSIM（0.9039）排名靠前，表明其在结构保真度和细节恢复方面具有优势。
**4.3 在TEST-G1000数据集上的定性和定量比较**
定性上，SDFM恢复的图像颜色自然，无显著色偏或雾感，而TEBCF、WCD等仍存在蓝绿色偏，TSA、ROP保留雾感。定量上，SDFM在PSNR（23.3314）、SSIM（0.8197）、MS-SSIM（0.9121）上均第一，GMSD（0.0702）和FSIMc（0.8781）第二，进一步验证了在大规模水下场景中的稳定性和有效性。
**4.4 在EUVP数据集上的定性和定量比较**
定性比较中，SDFM生成的图像最接近参考图像，色彩自然，对比度和细节恢复良好，而TEBCF、EUIVF等存在颜色不自然，DEA、UTV产生块状伪影。定量上，SDFM在PSNR（23.5047）和SSIM（0.8449）上最高，GMSD（0.0519）第二低，FSIMc（0.8838）和MS-SSIM（0.9153）同样表现优异，说明其在信息保留和结构相似性方面具有竞争力。
**4.5 在SUIM-E数据集上的定性和定量比较**
定性上，SDFM保持了自然颜色和细节，视觉效果真实稳定，而TEBCF出现颗粒噪声，WCD、UDCP等色偏严重，TSA、ROP保留明显雾感。定量上，SDFM在PSNR（26.9159）、SSIM（0.9073）、GMSD（0.0417）、FSIMc（0.9438）和MS-SSIM（0.9539）上均取得最高值，证明了其在复杂水下环境中的卓越恢复能力。
**4.6 在无参考数据集上的定性和定量比较**
在OceanDark和Color-Checker7数据集上，SDFM在无参考指标（IE、FADE、UIQM、UISM）上表现领先：在OceanDark上，FADE（0.3577）最低，UIQM（1.7955）最高；在Color-Checker7上，FADE（0.1323）最低，UIQM（1.9386）最高，表明其在极低照度和严重色偏场景下仍能有效恢复颜色和细节。
**4.7 消融实验**
通过逐步移除关键模块（非物理增强模块w/o NEM、自监督增强模块w/o SEM、反向散射估计模块w/o BSM），在六个数据集上进行了定性和定量消融。结果显示，完整模型在所有指标上均优于任何消融版本，验证了每个模块的贡献。例如，在Test-U120上，完整模型PSNR（22.7001）显著高于w/o SEM（18.4339）和w/o BSM（19.9558），证明双衰减系数建模和多维特征融合对提升性能至关重要。
**4.8 应用测试**
在边缘检测、SIFT特征匹配、几何变换估计和水下目标检测四个任务中，SDFM增强后的图像均能提取更丰富的边缘信息、匹配更多关键点、准确识别变换参数并精确定位水下目标。泛化测试（室内合成雾、室外自然雾、低光照场景）也表明算法具有良好的鲁棒性和适应性。
**4.9 运行时间比较**
SDFM在GPU上的运行时间（如Test-U120平均20.34秒）处于可接受范围，虽略慢于部分轻量方法（如Udnet 1.46秒），但远快于多数传统方法（如TEBCF 141.89秒），在性能和效率间取得了平衡。
**4.10 失败案例**
在极端色偏、严重浑浊和低光照条件下，SDFM及现有方法均无法实现理想恢复，主要原因是信噪比严重损失、多散射超出建模能力以及主导通道干扰导致颜色恢复机制失效。
**结论与讨论**
研究人员提出了一种结合物理模型与非物理模型的自监督融合水下图像去雾方法。该方法基于双衰减成像模型，独立建模前向散射和反向散射；引入同源一致性约束，通过重退化生成同源图像并施加一致性损失，有效降低重建误差，提高恢复图像的准确性和稳定性；采用多维特征融合策略进行背景光估计，利用四叉树分解进行由粗到精的多尺度候选区域搜索，逐步定位最具代表性的背景光区域；设计基于图像感知的融合策略，进行区域级感知融合，选择性整合不同方法在不同区域的最优结果，实现优势互补。因此，所提方法在不同水类型和复杂退化场景下均表现出显著提升的恢复质量。然而，该方法仍存在局限性：在极端退化条件下（如严重色损或高浑浊度），图像信息极其有限，即使融合物理与非物理模型也难以实现理想恢复；当前方法主要依赖图像级感知和建模，对时间信息利用有限，在视频增强或动态场景中可能性能下降；模型的跨域泛化能力仍有提升空间，不同成像设备和水下条件下性能波动尚未完全解决。未来工作将重点改进高浑浊、低能见度等挑战性水下条件下的增强精度和稳定性，并探索该方法向目标检测、图像分割、增强现实等高级视觉任务的扩展，以拓宽其在海洋探索、水下机器人和智能监测等领域的应用。
