DACA-Net：用于水下图像增强的退化感知条件扩散网络

由于散射和吸收等复杂光学效应，水下图像通常会出现严重的色彩失真、低能见度和结构清晰度降低，这极大地降低了其视觉质量并限制了下游视觉感知任务的性能。现有的增强方法通常难以自适应地处理多样的退化条件，且未能有效利用水下特有的物理先验。在本文中，我们提出了一种退化感知条件扩散模型，以自适应且鲁棒地增强水下图像。给定一幅退化的水下图像作为输入，我们首先使用轻量级双流卷积网络预测其退化水平，生成连续的退化分数作为语义指导。基于该分数，我们引入了一种基于 Swin UNet 主干的新型条件扩散恢复网络，实现了自适应噪声调度和分层特征细化。为了结合水下特有的物理先验，我们进一步提出了退化引导的自适应特征融合模块以及结合感知一致性、直方图匹配和特征级对比的混合损失函数。在基准数据集上的综合实验表明，我们的方法能够有效恢复水下图像，具有出色的色彩保真度、感知质量和结构细节。与 SOTA 方法相比，我们的框架在定量指标和定性视觉评估中均取得了显著提升。