多属性与语义集成建模用于可解释的声纳图像质量评估

《Pattern Recognition》：Multi-attribute and semantic-integrated modeling for interpretable sonar image quality assessment

　　•可解释的声纳图像质量评估方法。•用于分离质量属性表示的多分支学习技术。•基于图的场景感知质量预测模型。•在数据有限条件下实现属性对齐表示的迁移学习方法。•在公共声纳图像质量评估数据集上与人类感知具有更高相关性。

引言
图像质量评估（IQA）旨在通过从观测到的图像特征中推断出潜在的退化因素，并将其与人类判断相映射，从而预测图像的感知质量。在声纳成像中，由于水下声波传播的复杂特性，这一任务尤为具有挑战性，这些特性会在采集、传输和重建过程中引入多种退化效应，如斑点噪声、边缘模糊以及对比度减弱[1]。这些退化现象会显著改变声纳图像中的结构表现，进而直接影响后续任务，包括目标检测、图像解读和导航等。

现有的IQA方法大致可分为两类。为自然场景图像开发的通用方法借助深度学习模型取得了显著进展，这类方法侧重于纹理、对比度和结构等感知保真度方面[2]。然而，这些方法严重依赖颜色和语义线索，而这类元素在声纳图像中几乎不存在，因此限制了其迁移能力。相比之下，针对声纳图像的专用IQA方法通常着眼于特定的退化类型（如压缩伪影[3]或重建畸变[4]），并且依赖于特定任务的先验知识，这限制了其在不同成像条件下的泛化能力。

尽管近年来取得了一些进展，但声纳图像质量评估仍面临三个根本性挑战。首先，大多数现有方法采用单一分数预测模式，缺乏可解释性，也无法揭示不同感知因素的贡献程度。其次，图像质量受场景相关特性的强烈影响[5]，但现有声纳IQA框架很少纳入上下文信息。例如，在均匀的海底区域与沉船等结构化目标之间，人们对质量的感知存在显著差异，因为在这两种情况下，结构完整性和阴影一致性起着截然不同的作用。第三，标注过的声纳图像质量评估数据极为稀缺，这限制了在复杂且多样化的退化条件下构建稳健表征的能力。

为解决这些挑战，我们提出了MASI-SIQA，这是一种可解释的无参考声纳图像质量评估框架，它通过结构化的属性-上下文关系来建模质量。虽然声纳图像是通过声学成像生成的，并会受到任务特定退化因素的影响，但其感知质量最终还是由人类观察者在视觉解读过程中决定的。因此，所选的感知属性旨在反映声纳图像解读中人类判断的关键标准，包括目标与背景的可区分性、结构清晰度、背景纯净度以及形状合理性。具体而言，感知质量被分解为四个与人类感知相一致的属性，即区域可辨识性、几何完整性、细节保留度以及整体纯净度。每个属性都由独立的模型结构进行建模，以实现分离式的表征学习，避免不同退化因素之间的特征相互纠缠。与此同时，一个语义分支负责捕捉高层次的场景上下文。这些不同的表征通过基于图的交互模块进行整合，其中图卷积网络用于建模属性表征与场景表征之间的节点间交互。此外，为应对数据匮乏的问题，我们采用了跨领域迁移学习策略，利用从大规模自然图像数据集中学习得到的结构化表征，并将其适配到声纳图像的特定特征上。这种设计提升了在有限监督条件下的表征稳定性和泛化能力。

本文的主要贡献如下：
1. 一种结构化且可解释的声纳图像质量评估建模框架。我们将声纳图像质量评估视为一个属性-上下文建模问题，通过将感知质量分解为四个与人类感知相一致的属性，并将其与场景语义相结合。
2. 一种解耦的属性学习架构。每个感知属性都由独立的模型结构进行建模，从而能够在多样化退化条件下实现分离式的表征学习。
3. 一种适用于数据匮乏的声纳图像质量评估的迁移学习策略。我们利用来自大规模自然图像数据集的跨领域知识，并将其适配到针对声纳图像的MSSID数据集上，从而提升在有限监督条件下的表征稳健性和泛化能力。

本文的其余部分结构如下：第2节回顾了图像质量评估及相关研究以及针对声纳图像的专用方法。第3节介绍了所提出的MASI-SIQA框架，详细阐述了其属性-上下文建模机制以及基于图的特征交互策略。第4节说明了实验设置、对比结果及消融分析。最后，第5节对全文进行总结，并指出未来的研究方向。

相关研究概述
自然场景图像的质量评估研究
针对自然场景图像的图像质量评估（IQA）研究，已经从基于感知保真度的建模方法，发展为基于数据驱动且具备泛化能力的无参考（NR）评估框架。早期的方法，如SSIM和PSNR，主要衡量像素级或结构层面的相似度，但在面对复杂且非静态的图像失真时，它们与人类感知之间的相关性会下降。这一局限性促使人们开发出无参考IQA方法，这类方法利用统计特征直接从失真的图像中学习质量特征。

问题提出
传统的声纳图像质量评估模型通常直接从失真的输入图像X预测一个标量质量分数Qp，即Qp=F(X)。这种建模方式隐含了一个假设，即感知质量可以通过从图像特征中推断出的单一潜在表征来表示。然而，这样的建模方式无法体现声纳图像质量的多元影响因素。具体而言，存在三个方面的局限：首先，不同的感知因素（如斑点噪声、结构畸变以及细节丢失等）会对图像质量产生不同影响……

实验设置
(1) 声纳图像质量数据集：为了便于开展声纳图像质量评估任务的模型训练与评估，研究人员构建了一个名为MSSID的专用基准数据集[20]。该数据集包含了三种具有代表性的退化场景下的声纳图像：图像采集场景、基于压缩的传输场景以及图像增强场景。每种场景都包含多种类型的失真及不同的退化程度，用以体现不同程度的质量下降。在图像采集场景中，共有61张FLS/SSS格式的图像……

结论
本文提出了MASI-SIQA，这是一种无参考的声纳图像质量评估框架，它将感知属性建模与语义场景理解整合在统一的基于图的架构之中。通过同时建模多个感知维度及其之间的上下文交互关系，该框架能够实现可解释且适应场景变化的质量预测。实验结果表明，与现有方法相比，MASI-SIQA具有更出色的性能……

CRediT作者贡献说明
屈强：原文撰写、可视化处理、方法设计、资金申请、正式分析。蔡博琴：可视化处理、验证工作、方法设计、研究分析、数据整理。卢伟凡：验证工作、研究分析、正式分析。陈书武：资源协调、研究分析、资金申请。陈伟玲：项目监管、项目管理、方法设计、概念构思。

生成式AI声明
仅使用生成式AI工具对文本进行了润色处理。所有的科学内容均由作者亲自编写并验证。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢
本研究得到了福建省海洋创新中心（编号25FV0CZJ08）、福建省工业和信息化厅软件技术革新研究与产业化项目（文件编号：福建软件[2024]第488号）、福建省高校产学研合作项目（编号2024H6007），以及中国福建省福厦泉协同创新平台项目（编号2025E3012）的支持。屈强|蔡博琴|卢伟凡|陈书武|陈伟玲