Hero-Mamba：基于 Mamba 的双域学习用于水下图像增强
计算机视觉与模式识别
2026-04-20 v1
摘要
水下图像常因光的吸收与散射而严重退化，包括颜色失真、低对比度和模糊细节。虽然 CNN 和 Transformer 等基于学习的方法在此方面取得了一些进展，但仍面临关键局限：CNN 难以建模非均匀退化所需的长程依赖，而 Transformer 则因二次计算复杂度，在高分辨率图像上效率低下。为此，本文提出了 Hero-Mamba，一种新型基于 Mamba 的网络，实现双域学习以进行水下图像增强。该方法独特地对空间域（RGB 图像）和频谱域（FFT 成分）进行平行处理。这种双域输入允许网络解耦退化因素，将颜色/亮度信息与纹理/噪声信息分离。网络的核心利用基于 Mamba 的 SS2D 块捕获全局感受野和长程依赖，时间复杂度为线性，克服了 CNN 和 Transformer 的局限。此外，我们引入了由背景光先验引导的 ColorFusion 块，以高保真度恢复颜色信息。在 LSUI 和 UIEB 基准数据集上的大量实验表明，Hero-Mamba 超越了最新方法。值得注意的是，在 LSUI 上，本模型实现了 PSNR 为 25.802 和 SSIM为 0.913，验证了其卓越的性能和泛化能力。
引用
@article{arxiv.2604.16266,
title = {Hero-Mamba: Mamba-based Dual Domain Learning for Underwater Image Enhancement},
author = {Tejeswar Pokuri and Shivarth Rai},
journal= {arXiv preprint arXiv:2604.16266},
year = {2026}
}
备注
Accepted at AI4ES Workshop AAAI 2026