基于下游任务的 underwater 图像增强：从数据集构建到网络设计的感知导向研究

在真实的 underwater 环境中，诸如语义分割和目标检测等下游图像识别任务常面临模糊和颜色不一致等问题的挑战。Underwater 图像增强（UIE）已成为一种有前景的预处理方法，旨在提高 underwater 图像中目标的可识别性。然而，大多数现有 UIE 方法主要致力于为人类视觉感知增强图像，频繁无法重建对任务特定识别至关重要的高频细节。为此，我们提出了基于下游任务的 Underwater 图像增强（DTI-UIE）框架，该框架利用人类视觉模型有效地为 underwater 视觉任务增强图像。具体而言，我们设计了一个高效的双分支网络，配合任务感知注意力模块进行特征混合。该网络受益于多阶段训练框架和任务驱动的感知损失。此外，鼓励人类感知，我们自动构建了一个 Task-Inspired Underwater 图像增强数据集（TI-UIED）。实验结果表明，DTI-UIE 通过生成对下游任务（如语义分割、目标检测和实例分割）有益的预处理图像，显著提高了任务性能。代码已公开 disponible at https://github.com/oucailab/DTIUIE。