DEEP-SEA：亚海底环境感知的深度学习增强
计算机视觉与模式识别
2025-08-19 v1
摘要
持续可靠的 underwater monitoring 对评估海洋生物多样性、检测生态变化以及支持水下自主探索至关重要。water下监测平台依赖主要是视觉数据进行海洋生物多样性分析、生态评估和自主探索。然而，water下环境因光散射、吸收和浑浊性导致图像清晰度下降和颜色信息失真，使准确观察困难。为此，我们提出 DEEP-SEA，一项新型基于深度学习的water下图像恢复模型，以既保留低频率信息又提升高频率信息的同时，保持空间结构。我们提出的 Dual-Frequency Enhanced Self-Attention Spatial and Frequency Modulator 旨在自适应地在频域和空间信息之间进行特征表示的细化，以实现更好的结构保持。我们在 EUVP 和 LSUI 数据集上进行了全面实验，证明其在恢复细粒度图像细节和结构一致性方面优于最新技术。通过有效缓解water下视觉退化，DEEP-SEA 有望提高water下监测平台的可靠性，以实现更准确的生态观察、物种识别和自主导航。
引用
@article{arxiv.2508.12824,
title = {DEEP-SEA: Deep-Learning Enhancement for Environmental Perception in Submerged Aquatics},
author = {Shuang Chen and Ronald Thenius and Farshad Arvin and Amir Atapour-Abarghouei},
journal= {arXiv preprint arXiv:2508.12824},
year = {2025}
}