基于语义协作学习的Heuristic Underwater Perceptual Enhancement

水下图像常受光的折射和吸收影响，导致可见性降低，干扰后续应用。现有水下图像增强方法主要致力于提升视觉质量，忽视了实际应用的考量。为平衡视觉质量与应用需求，我们提出一种称为HUPE的启发式可逆网络，用于水下感知增强，该方法既提升视觉质量，又在处理其他下游任务方面表现出灵活性。具体而言，我们引入一种搭载傅里叶变换的信息保护可逆转换，以在水下图像与其清晰图像之间建立双向映射。此外，融入启发式先验以更好地捕获场景信息。为进一步弥合基于视觉的增强图像与面向应用的图像之间的特征差距，在视觉增强任务与下游任务的联合优化过程中应用语义协作学习模块，该模块引导所提出的增强模型提取更具任务导向的语义特征，同时获取视觉上令人满意的图像。大量定性和定量实验表明，我们的HUPE在SOTA方法上显著优于。源码已公开于https://github.com/ZengxiZhang/HUPE。