面向水下图像的领域无关视觉增强与恢复（DIVER）方法开发
图像与视频处理
2026-02-02 v1 计算机视觉与模式识别
摘要
水下图像因波长相关衰减、散射和照明不均匀性而严重退化，这些因素随水体类型和深度而变化。我们提出一种无监督的领域无关视觉增强与恢复（DIVER）框架，集成经验校正与物理导向建模，以实现对水下图像的稳健增强。DIVER首先应用 IlluminateNet 进行自适应亮度增强，或采用光谱均衡滤波器进行光谱归一化。随后，自适应光学校正模块通过通道自适应滤波细化色调和对比度，而 Hydro-OpticNet 则采用物理约束学习来补偿后向散射和波长相关衰减。IlluminateNet 与 Hydro-OpticNet 的参数通过无监督学习优化，采用复合损失函数。DIVER 在覆盖浅水、深水及高度浑浊环境的八个数据集上进行评估，包括天然低光照和人工照明场景，采用参考指标和非参考指标进行测试。虽然 WaterNet、UDNet 和 Phaseformer 在浅水环境下表现尚可，但在深水、不均匀照明或人工照明条件下性能下降。相比之下，DIVER 在所有数据集上均实现最佳或接近最佳性能，显示出强大的领域无关性。DIVER 在 UCIQE 指标上相较于SOTA方法至少提升9%。在低光SeaThru数据集上，由于色彩调色板参考标准使颜色恢复可直接评估，DIVER在 GPMAE 指标上相较于现有方法至少降低4.9%。除视觉质量外，DIVER还通过增强基于ORB的关键点重复性和匹配性能，提升了机器人感知能力，证明其在多样化水下环境中的稳健性。
引用
@article{arxiv.2601.22878,
title = {Development of Domain-Invariant Visual Enhancement and Restoration (DIVER) Approach for Underwater Images},
author = {Rajini Makam and Sharanya Patil and Dhatri Shankari T M and Suresh Sundaram and Narasimhan Sundararajan},
journal= {arXiv preprint arXiv:2601.22878},
year = {2026}
}
备注
Submitted to IEEE Journal of Oceanic Engineering