UWFormer：基于半监督多尺度Transformer的水下图像增强方法

由于光、水和物体之间复杂而微妙的交互作用，水下图像常表现出质量差、色彩平衡失真和对比度低的问题。尽管以往的水下增强技术做出了重要贡献，仍存在若干有待改进的问题：(i) 当前的深度学习方法依赖卷积神经网络（CNN），缺乏多尺度增强能力，且全局感知域有限。(ii) 成对的真实世界水下数据集稀缺带来了重大挑战，而使用合成图像对可能导致过拟合。针对上述问题，本文提出一种名为 UWFormer 的基于多尺度 Transformer 的网络，通过半监督学习在多个频率上增强图像，其中我们提出了一种非线性频率感知注意力机制和一个用于低频增强的多尺度融合前馈网络。此外，我们引入了一种特殊的水下半监督训练策略，并提出一种水下感知损失函数以生成可靠的伪标签。使用全参考和无参考水下基准的实验表明，我们的方法在数量和视觉质量上均优于当前最先进的方法。