基于协作回归网络的盲水下图像恢复

水下环境的探索对于生物研究、考古学和基础设施维护等应用至关重要，但水下成像因独特的特性（如散射、吸收、颜色失真和视野受限）而具有挑战性。为解决这些视觉退化问题，已提出多种方法，从基本信号处理到深度学习模型，但均未证明始终成功。本文提出一种新型机器学习模型，协作回归网络（Co-Operational Regressor Networks, CoRe-Nets），旨在实现最佳水下图像恢复。CoRe-Net 由两个协作网络组成：负责图像变换的学徒回归器（Apprentice Regressor, AR），以及评估 AR 生成图像的峰值信噪比（PSNR）并将其反馈给 AR 的师父回归器（Master Regressor, MR）。CoRe-Nets 基于自组织运算神经网络（Self-Organized Operational Neural Networks, Self-ONNs），通过调制核变换中的非线性来提供更好的学习能力。在大规模水下图像（Large Scale Underwater Image, LSUI）数据集上进行评估，所提出模型通过两个协作网络的联合学习能力，实现了业界最佳的恢复性能，计算复杂度显著降低，且常常能呈现甚至超过基准图像的视觉质量的结果。我们的研究结果和优化后的 PyTorch 实现现已公开分享于 GitHub。