基于空间-频谱双域自适应学习的 underwater 图像增强

最近，基于学习的 underwater 图像增强（UIE）方法显示出了有前景的性能。然而，现有的学习方法仍面临两个挑战：1）它们很少考虑不同空间区域和光谱带中 degradation 水平不一致的情况；2）它们对所有区域相等地对待，忽略了高频细节区域更难重建的事实。为此，我们提出了一种基于空间-频谱双域自适应学习的新型 UIE 方法，称为 SS-UIE。具体而言，我们首先引入了空间-wise 多尺度循环选择性扫描（MCSS）模块和光谱-wise 自注意力（SWSA）模块，两者都具有线性复杂度，并并行组合以形成基本的空间-频谱块（SS-block）。凭借 MCSS 和 SWSA 的全局感受野，SS-block 能够有效地建模不同空间区域和光谱带的 degradation 水平，从而实现基于 degradation 水平的双域自适应 UIE。通过堆叠多个 SS-block，我们构建了我们的 SS-UIE 网络。此外，引入了基于频率的损失（FWL），以缩小频率层面的差异并强化模型对高频细节区域的注意力。广泛的实验表明，SS-UIE 技术在保持较低计算和内存成本的同时，优于现有的 SOTA UIE 方法。