TIDE：两阶段逆退化估计与引导先验解耦用于水下图像恢复
计算机视觉与模式识别
2025-12-09 v1
摘要
水下图像恢复对于海洋应用至关重要，涵盖生态监测到考古调查等多个领域，但有效应对水下退化复杂且空间变化的特性仍是一个挑战。现有方法通常对整个图像施加统一的恢复策略，难以处理随空间和水况变化的多重共存退化。我们提出 TIDE，一个两阶段逆退化估计框架，能够显式建模退化特征并通过专门的先验分解实现针对性恢复。我们的方法将恢复过程解耦为多个专门假设，并根据局部退化模式自适应融合，随后通过渐进精化阶段修正残余伪影。具体而言，TIDE 将水下退化分解为四个关键因素，即色彩失真、雾霾、细节丢失和噪声，并为每个因素设计了专门的恢复专家。通过生成专门的恢复假设，TIDE 在竞争性退化因素之间取得平衡，即使在高度退化区域也能产生自然结果。在标准基准和具有挑战性的浑浊水体条件下的广泛实验表明，TIDE 在基于参考的保真度指标上取得了具有竞争力的性能，同时在无参考感知质量指标上优于最先进方法，在色彩校正和对比度增强方面有显著提升。我们的代码可在以下地址获取：https://rakesh-123-cryp.github.io/TIDE。
引用
@article{arxiv.2512.07171,
title = {TIDE: Two-Stage Inverse Degradation Estimation with Guided Prior Disentanglement for Underwater Image Restoration},
author = {Shravan Venkatraman and Rakesh Raj Madavan and Pavan Kumar S and Muthu Subash Kavitha},
journal= {arXiv preprint arXiv:2512.07171},
year = {2025}
}
备注
21 pages, 11 figures, 5 tables