30、PUGAN

摘要

由于水体介质引起的光吸收和散射，水下图像通常面临一些退化问题，例如低对比度、颜色失真和细节模糊，这加大了后续水下理解任务的难度。因此，如何获得清晰且视觉上令人满意的图像已成为人们普遍关注的课题，水下图像增强（UIE）任务也应运而生。在现有的UIE方法中，基于生成对抗网络（GAN）的方法在视觉美感上表现出色，而基于物理模型的方法在场景适应性上更具优势。为结合上述两类模型的优点，我们在本文中提出了一种基于物理模型引导的GAN模型用于UIE，称为PUGAN。整个网络采用GAN架构。

一方面，我们设计了一个参数估计子网络（Par-subnet），用于学习物理模型反演的参数，并将生成的颜色增强图像作为双流交互增强子网络（TSIE-subnet）的辅助信息。同时，我们在TSIE子网络中设计了一个退化量化（DQ）模块，用于量化场景退化，从而实现关键区域的强化增强。

另一方面，我们设计了双鉴别器（Dual-Discriminators），用于进行风格与内容的对抗约束，从而提升结果的真实性和视觉美感。在三个基准数据集上进行的广泛实验表明，我们的PUGAN在定性和定量指标上均优于当前的最先进方法。代码和结果可通过以下链接获取：https://rmcong.github.io/proj PUGAN.html。

二级目录

三级目录