基于真实监督的 underwater 图像修复与增强生成式数据框架

水下图像修复与增强对于纠正颜色失真、恢复图像细节至关重要，从而为后续水下视觉任务奠定基本基础。然而，当前该领域的深度学习方法常受限于稀缺的高质量配对数据集。由于在水下场景中难以获取完美的参考标签，现有基准数据集常依赖于从增强算法中手动挑选的结果，提供的参考图像存在颜色不一致且缺乏真实监督。这限制了模型在颜色恢复、图像增强和泛化能力方面的发挥。为克服这一限制，我们提出使用空中自然图像作为无歧义的参考目标，将其翻译为水下退化版本，从而构建用于模型学习的合成数据集。具体而言，我们基于无配对图像到图像翻译建立生成式数据框架，生成覆盖6种典型水下退化类型的大规模数据集。该框架构建的合成数据集具备精确的ground-truth标签，促进了从退化水下图像到其原始场景外观的准确映射学习。跨6种代表性网络架构和3个独立测试集的大量定量和定性实验表明，在我们合成数据上训练的模型在颜色恢复和泛化性能上，可与现有基准数据集训练的模型相当或更优。该研究为水下图像修复与增强提供了可靠且可扩展的数据驱动解决方案。生成的数据集已公开发布于：https://github.com/yftian2025/SynUIEDatasets.git。