基于Transformer的多尺度水下图像增强网络

摘要

基于CNN(convolutional neural network)的水下图像增强方法容易忽略全局特征，导致复原图像出现颜色失真、对比度下降等现象，影响全局视觉感知效果.因此，提出一种基于Transformer的多尺度水下图像增强网络.针对全局特征缺失问题，融入水下图像先验设计位置编码模块，构建适用于水下场景的Swin Transformer模块，并通过自注意力机制针对性地提取图像全局特征，提升全局感知性能；针对局部细节模糊现象，设计CNN模块关注水下图像纹理、边缘等局部特征，改善细节感知效果；构建转移融合模块，将Swin Transformer的全局注意力转移到卷积特征上，达成全局和局部特征的高效融合与利用.实验结果表明，所提方法在EUVP子集上的PSNR值最高可达23.47 dB，可有效增强全局视觉感知能力，显著改善图像视觉质量.

关键词

水下图像增强 / 深度学习 / Transformer / 卷积神经网络 / 转移融合