UIESNN：面向 underwater image enhancement 的尺度感知脉冲神经网络
计算机视觉与模式识别
2026-05-12 v1
摘要
underwater image enhancement（UIE）是脉冲神经网络（SNN）的一个在实际中重要但未得到充分探索的应用领域，其中主要降解为大尺度和低频现象，如波长相关的颜色阴影和散射引起的薄雾。现有SNN恢复设计依赖受限的局部脉冲感知，可能限制全局纠正，导致饱和或不一致的表示。为此，我们提出面向UIE的尺度感知SNN框架，称为UIESNN。其核心是一种多尺度池化LIF模块（MPLB），将层次化多尺度池化响应注入到膜动力学中，从而在保持细粒度细节的同时扩大有效感受野，诱导尺度依赖的异构激活。基于MPLB，我们设计一种脉冲残差架构，在完全脉冲驱动的管道中集成频率分解和注意力机制。在EUVP和LSUI基准上的大量实验表明，UIESNN在SNN方法中实现了最新性能，同时在竞争能耗下实现了 improved 色彩保真度和空间一致性。
引用
@article{arxiv.2605.08376,
title = {UIESNN: A Scale-Aware Spiking Network for Underwater Image Enhancement},
author = {Shuang Chen and Ruochen Li and Zihan Zhu and Ronald Thenius and Farshad Arvin and Amir Atapour-Abarghouei},
journal= {arXiv preprint arXiv:2605.08376},
year = {2026}
}