基于深度估计和梯度下降的水下图像恢复与增强

摘要

由于水下介质散射和吸收等固有特性，水下图像面临图像模糊、低对比度和颜色失真等多重降质问题，严重影响视觉感知性能。针对上述问题，提出基于深度估计和梯度下降策略的水下图像恢复与增强框架（UIRENet）。首先，借助卷积、非线性激活函数模块，构建深度感知网络，实现对不同退化区域的场景深度感知，克服场景深度依赖的退化；其次，提出梯度优化策略，优化卷积网络参数，提升深度网络增强性能；最后，结合感知损失、边缘损失和水下色彩恒常损失，形成水下图像增强网络损失函数。通过在UIEB-90、UIEB-M和EUVP数据集上开展综合测试实验，验证了UIRENet框架在降低水下图像模糊度、提升视觉效果方面均显著优于目前典型水下图像增强方法，特别在客观评价指标UIQM上，相比CLAHE、ICM、GC、IBLA、DCP、ULAP、FUnIE-GAN、UGAN和Uformer等方法分别提高0.3700、0.6446、0.5919、1.3081、1.3032、1.1672、0.0593、0.1329和0.0934。

关键词

水下图像 / 图像恢复 / 图像增强 / 深度估计 / 梯度下降策略 / 卷积神经网络