水下场景中面向增强与目标检测的联合感知学习

水下退化图像对现有算法检测感兴趣目标造成极大挑战。近期，研究者尝试采用注意力机制或复合连接以改善检测器的特征表示。然而，该方案并未消除退化对图像内容（如颜色与纹理）的影响，仅取得微小改进。水下目标检测的另一可行方案是设计精巧的深度架构以提升图像质量或特征。尽管如此，这些增强模块的视觉宜人输出未必为深度检测器带来高准确率。近来，一些多任务学习方法联合学习水下检测与图像增强，取得可喜改进。典型地，这些方法引入庞大架构与高昂计算，导致推理低效。无疑，水下目标检测与图像增强是两个相互关联的任务。利用两任务的信息可令彼此受益。基于这些事实观点，我们提出一种双层优化公式以联合学习水下目标检测与图像增强，并展开为一个用于两任务的双感知网络（DPNet）。DPNet 含一个共享模块与两个任务子网络，从两个不同任务中学习，寻求共享表示。该共享表示为图像增强提供更结构细节，为目标检测提供丰富内容信息。最后，我们导出一种协同训练策略以优化 DPNet 参数。在真实与合成水下数据集上的大量实验表明，我们的方法输出视觉宜人图像与更高检测准确率。