42、基于 U-Attention 网络的水下图像深度增强

基于 U-Attention 网络的水下图像深度增强

1. 引言

水下图像增强在图像处理和水下视觉领域备受关注。水下图像由于光在水中传播时的散射和吸收，会出现颜色偏差和色偏问题，这严重干扰了水下场景的视觉任务。消除这些由散射和吸收引起的色偏和颜色偏差，对于理解水下世界至关重要。

水下图像退化的因素众多，如散射、悬浮颗粒、光衰减以及水下环境的其他光学特性。以往的方法试图通过估计光传输和背景光来增强水下图像，但存在诸多局限性：
- 介质传输受多种因素影响，准确估计并非易事。
- 这些方法依赖过多先验信息，如深度或水质，而这些信息并非总是可用。

近年来，CNNs 和 GAN 在特征提取和图像生成方面表现出色。一些方法通过不同策略进行水下图像增强，但仍有提升空间，需要设计更强大的结构来提取更鲁棒的特征。

2. 提出的方法

2.1 网络结构

一个准确的水下增强方法应具备两个方面：从多尺度角度提取图像特征，以及从像素级利用自注意力模块丰富有用特征。为此，提出了一种新颖的 U 型结构网络，包含两个层次的模块来逐步提取特征。
- U - Attention 模型 ：多尺度特征在图像增强中至关重要，因为它们能从多个角度理解图像。设计了一种新颖的 U - Attention 网络，将注意力模块引入多尺度特征中，以捕获像素级注意力。注意力模块基于 ResNet 设计，其核心是通过自适应地重新校准像素级特征响应来增强特征表示。
- 残差学习块首先生成注意力图，以说明像素级特征的不同权重。
- 然后，使用学习到的注意力向量重新校准特征响应。像素级注意力