基于无参考图像质量评估的跨域水下图像增强：迁移学习方法
计算机视觉与模式识别
2026-03-25 v3
摘要
单张水下图像增强(UIE)是一项具有挑战性的欠定问题，但其发展受到两个主要障碍：(1)水下参考数据集中的标签为伪标签，依赖这些伪ground truth进行监督学习会导致域间差异。(2)水下参考数据集稀缺，使得在此类小数据集上训练容易过拟合并产生分布偏移。为此，我们提出了Trans-UIE，一种基于迁移学习的UIE模型，通过预训练捕获UIE的基本范式，并利用由reference和non-reference数据集组成的数据集进行微调。然而，仅使用重建损失进行微调可能会引入确认偏差。为此，我们利用来自陆地场景的无参考图像质量评估(NR-IQA)指标，引导跨域的迁移学习过程，同时生成具有陆地图像域风格的增强图像。此外，为减少预训练阶段的过拟合风险，我们引入了Pearson相关损失。在完整参考和无参考水下基准数据集上的实验结果表明，Trans-UIE显著优于最先进的方法。
引用
@article{arxiv.2503.17937,
title = {Cross-Domain Underwater Image Enhancement Guided by No-Reference Image Quality Assessment: A Transfer Learning Approach},
author = {Zhi Zhang and Minfu Li and Lu Li and Daoyi Chen},
journal= {arXiv preprint arXiv:2503.17937},
year = {2026}
}