一种半监督物理感知三流水下图像增强网络

由于水体的传输介质，水下图像通常遭受退化。传统基于先验的方法与基于深度学习的方法均被用于解决该问题。然而，前者不灵活的假设常削弱其在处理多样水下场景时的有效性，而后者对未见图像的泛化能力通常因数据不足而减弱。在本研究中，我们结合基于物理的图像形成模型（IFM）与深度学习技术用于水下图像增强（UIE）。为此，我们提出一种新颖的物理感知三流水下图像增强网络，即PATS-UIENet，其包含直接信号传输估计流（D-Stream）、后向散射信号传输估计流（B-Stream）和环境光估计流（A-Stream）。该网络通过显式估计改进IFM的退化参数来完成UIE任务。我们还采用受IFM启发的半监督学习框架，利用有标签与无标签图像，以解决数据不足问题。据我们所知，此种物理感知深度网络与受IFM启发的半监督学习框架此前尚未用于UIE任务。我们的方法在四个测试集的退化估计与UIE任务上优于或至少可比于十六个基线。这些有前景的结果应归因于所提方法不仅能建模退化，还能学习多样水下场景的特征。