UniUIR: 将水下图像复原视为一体化学习器

现有的水下图像复原（UIR）方法通常仅处理颜色失真，或联合处理颜色与雾化问题，但往往忽略了水下场景中可能发生的更复杂的退化。为解决这一局限性，我们提出了一种通用水下图像复原方法，称为 UniUIR，以一体化的方式考虑真实世界水下混合失真的复杂场景。为了解耦特定退化问题并探索 UIR 任务中各种退化之间的相互关联，我们设计了 Mamba Mixture-of-Experts 模块。该模块使每个专家能够识别不同类型的退化，并在保持基于线性复杂度的全局特征表示的同时，协同提取任务特定的先验。在此基础之上，为了增强退化表示并解决处理多种退化类型时产生的任务冲突，我们引入了空间-频率先验生成器。该模块在空间域和频率域提取退化先验信息，并根据图像内容自适应地选择最合适的任务特定提示，从而提高图像复原的准确性。最后，为了更有效地解决 UIR 任务中复杂的、依赖区域的失真问题，我们结合了从大规模预训练深度预测模型中导出的深度信息，使网络能够感知并利用不同图像区域间的深度变化来处理局部退化。大量实验表明，UniUIR 在定性和定量比较中均能产生更具吸引力的结果，并且比 SOTA 方法展现出更强的泛化能力。