AQUA-Net：适应频率融合与光照感知的 underwater 图像增强网络

underwater 图像常因波长相关的光吸收与散射导致严重的色彩失真、低对比度和雾霾感。同时，现有深度学习模型计算复杂度高，限制了其在实际实时 underwater 应用中的部署。为解决这些挑战，本文提出了一种新型 underwater 图像增强模型，称为自适应频率融合与光照感知网络（AQUA-Net）。它集成了一个残差编码器解码器结构，包含在频域和光照域中运行的两个辅助分支。频率融合编码器通过傅里叶域的频率线索丰富空间表征，保留细微纹理和结构细节。受 Retinex 原理启发，光照感知解码器通过学习的光照图执行自适应曝光校正，分离反射率与光照效应。这种空间、频率和光照的联合设计使模型能够在多样化的 underwater 环境下恢复色彩平衡、视觉对比度和感知真实性。此外，我们构建了一个来自地中海的高分辨率、真实 underwater 视频数据集，捕获了具挑战性深海条件下的真实视觉退化，旨在支持深度学习模型的稳健评估与开发。在多个基准数据集上的广泛实验表明，AQUA-Net 在定性和定量评估方面与 SOTA 相当，同时参数数量更少。消融研究进一步确认，频率分支和光照分支提供了互补的贡献，显著提升可见性和色彩表征。总体而言，所提模型展现出强大的泛化能力和鲁棒性，为实际的 underwater 成像应用提供了有效解决方案。