用于水下图像增强的领域自适应

近年来，基于学习的算法在水下图像增强中表现出令人印象深刻的性能。其中大多数借助在合成数据上训练并取得了优异性能。然而，这些方法忽略了合成数据与真实数据之间显著的领域差距（即域间差距），因此训练于合成数据的模型往往不能很好地泛化到真实水下场景。此外，复杂多变的水下环境也导致真实数据自身之间存在较大的分布差距（即域内差距）。然而，几乎尚无研究关注此问题，因而其技术在各类真实图像上常产生视觉上不悦的伪影与色彩失真。受这些观察启发，我们提出一种新颖的两阶段水下领域自适应网络（TUDA），以同时最小化域间与域内差距。具体而言，第一阶段设计了一个新的双对齐网络，包括用于提升输入图像真实感的翻译部分，以及随后的增强部分。通过在两部分中借助联合对抗学习进行图像级与特征级自适应，该网络能更好地建立跨域不变性，从而弥合域间差距。在第二阶段，我们根据增强图像评估所得质量对真实数据进行易-难分类，其中嵌入了一种基于排序的水下质量评估方法。通过利用从排序中学到的隐式质量信息，该方法能更准确地评估增强图像的感知质量。利用来自易样本的伪标签，随后进行易-难自适应技术，以有效减小易样本与难样本之间的域内差距。