基于Jaffe-McGlamery物理模型的物理信息卷积增强变分自编码器用于水下图像增强
计算机视觉与模式识别
2025-06-06 v1 人工智能
图像与视频处理
摘要
我们提出了一种新颖的双流架构，通过显式集成Jaffe-McGlamery物理模型与卷积聚类特征表示学习，实现了水下图像增强的前沿性能。该方法同时通过专用物理估计算法估计传输图和空间变化背景光，同时在平行流中通过卷积聚类提取实体级特征。这种物理导向的方法实现了无参数化的增强，尊重水下形成约束，同时保留语义结构和细粒度细节。我们的方法还具备一种新型优化目标，确保在多个空间频率上的物理一致性和感知质量。为验证我们的方法，我们在六个具有挑战性的基准上进行了广泛实验。结果表明，与现有最佳方法相比，PSNR提升+0.5 dB，计算复杂度仅为其三分之一；或与计算预算相似的方法相比，PSNR提升超过+1 dB。代码和数据将在 https://github.com/iN1k1/ 上提供。
引用
@article{arxiv.2506.04753,
title = {Physics Informed Capsule Enhanced Variational AutoEncoder for Underwater Image Enhancement},
author = {Niki Martinel and Rita Pucci},
journal= {arXiv preprint arXiv:2506.04753},
year = {2025}
}