DDSF-UNet：一种基于双域空间-频率学习框架的水下图像增强方法

《Scientific Reports》：DDSF-UNet: dual-domain spatial–frequency learning for underwater image enhancement

　　

摘要

水下图像增强（UIE）仍然面临诸多挑战。这主要归因于波长相关的光吸收、散射以及环境噪声，这些因素导致了低可见度、颜色失真和细微细节的丢失。大多数现有的基于深度学习（DL）的模型主要依赖于空间域的卷积运算，并未显式地转换或在频域（FD）中操作图像表示，而在频域中波长相关的退化特性可以得到更有效的建模。为了克服这些局限性，本研究提出了DDSF-UNet——一种双域空间-频率学习框架，在统一的端到端架构中联合建模空间表示和频域信息。在编码器和解码器中全面采用了多残差模块（MRM）机制以增强局部特征表示。在网络瓶颈处，引入了双域融合模块（DDFM），通过自适应傅里叶幅度调制将空间特征与频域线索进行整合，从而在有效抑制水下噪声的同时保留结构和纹理细节。此外，解码器中采用了一种增强-操作-减法（SOS）重建策略，在上采样过程中细化特征并逐步减轻模糊伪影。为确保稳定且有效的优化，我们设计了一个复合损失函数，集成了逐像素重建、结构相似性、感知一致性、全变分正则化以及频域约束。在基准UWI数据集上的综合实验表明，DDSF-UNet相较于近期最先进的UIE方法取得了具有竞争力的定量性能和更优的视觉质量，而扩展的消融研究也验证了主要所提组件的有效性。代码可在以下地址获取：https://github.com/najm-h/DDSF-UNet。