Retinex 融合语言：一种物理-语义引导的 underwater 图像增强网络
计算机视觉与模式识别
2026-04-23 v2
摘要
underwater 图像常因光吸收和散射导致严重退化，引起颜色失真、对比度降低和可见性减弱。现有 underwater 图像增强（UIE）方法可分为两类：先验驱动型与学习驱动型。前者依赖刚性物理假设限制适应性，后者常面临数据稀缺和泛化性弱问题。为此，我们提出物理-语义引导的 underwater 图像增强网络（PSG-UIENet），将基于 Retinex 的照明校正与语言信息驱动相结合。该网络包含无 prior 照明估计器和语义引导图像恢复器。具体而言，恢复器利用来自对比语言-图像预训练（CLIP）模型生成的文本描述，注入高层语义以实现感知层面的指导。由于多模态 UIE 数据集尚未公开，我们另建了大型 image-text UIE 数据集，即 LUIQD-TD，包含 6,418 组图像-参考-文本三元组。为显式衡量和优化文本描述与图像之间的语义一致性，我们进一步设计了图像-文本语义相似度（ITSS）损失函数。据此，本研究首次将文本指导和多模态数据集引入 UIE 任务。广泛实验表明，所提出的 PSG-UIENet 在本数据集及四个公开数据集上优于十五种最新方法，表现出优异或相当的性能。
引用
@article{arxiv.2603.07076,
title = {Retinex Meets Language: A Physics-Semantics-Guided Underwater Image Enhancement Network},
author = {Shixuan Xu and Yabo Liu and Chao Huang and Junyu Dong and Xinghui Dong},
journal= {arXiv preprint arXiv:2603.07076},
year = {2026}
}