MV-Adapter：通过自适应通道注意力增强水下实例分割
计算机视觉与模式识别
2026-03-03 v2
摘要
水下实例分割是各种水下视觉任务中的基础且关键的步骤。然而，复杂水下环境导致的图像质量下降给现有分割模型带来了重大挑战。尽管最先进的 USIS-SAM 模型已展现出令人瞩目的性能，但在应对光衰减、颜色失真和复杂背景等问题时，它难以有效适应不同通道的特征变化。这一局限限制了其在具有挑战性的水下场景中的分割性能。为解决这些问题，我们提出了海洋视觉适配器（MV-Adapter）。该模块引入了一种自适应通道注意力机制，使模型能够根据水下图像的特征动态调整每个通道的特征权重。通过自适应加权特征，模型能够有效应对光衰减、颜色偏移和复杂背景等挑战。实验结果表明，将 MV-Adapter 模块集成到 USIS-SAM 网络架构中进一步提升了模型的整体性能，特别是在高精度分割任务上。在 USIS10K 数据集上，该模块在 mAP、AP50 和 AP75 等关键指标上相比竞争性基线模型取得了提升。
引用
@article{arxiv.2411.00472,
title = {MV-Adapter: Enhancing Underwater Instance Segmentation via Adaptive Channel Attention},
author = {Lianjun Liu},
journal= {arXiv preprint arXiv:2411.00472},
year = {2026}
}
备注
The authors withdraw this manuscript. A substantially revised version will be submitted later