DGCL-UIE：基于退化引导的协作学习方法，用于一体化水下图像增强

《Optics & Laser Technology》：DGCL-UIE: Degradation-guided collaborative learning for all-in-one underwater image enhancement

水下图像增强面临复杂混合光学退化挑战，现有方法多针对单一退化类型。本文提出DGCL-UIE框架，通过吸收、散射、混合退化三分支协同学习，结合动态加权融合策略和频率引导U-Net实现多维度增强。实验表明该模型在UIEB、LSUI等水下数据集及低光、雾化场景中均优于SOTA方法，有效提升细节、色彩和亮度的一致性。

　　

赵高丽|吴宇恒|宋俊平|张克飞

河南科技大学计算机科学与技术学院，中国新乡

摘要

水下图像的退化主要受波长依赖的光吸收和频率依赖的散射影响，这两种因素共同抑制了长波辐射并减弱了高频结构成分，导致严重的颜色失真、低对比度和细节丢失。虽然现有的水下图像增强方法可以缓解某些退化因素，但在具有复杂和混合光学退化的实际环境中仍然效果不佳。为了解决这一挑战，我们提出了一个基于退化的协同学习框架DGCL-UIE，用于实现物理信息驱动的全面水下图像增强。通过分析水下图像中光学退化模式的统计分布，该框架构建了一个统一的多分支模型，其中分别设计了以吸收为主、以散射为主和混合退化为主的分支，以捕捉不同的退化机制。引入了一种动态加权策略，根据退化先验和引导图自适应地融合各分支的输出，从而在混合退化条件下实现空间自适应的图像恢复。此外，还采用了频率引导的U-Net来整合融合的特征，其中频域调制明确补偿了由水下散射引起的高频衰减。DGCL-UIE在多个数据集上的表现优于现有的最先进方法，验证了其在光学退化建模和数据驱动增强之间的桥梁作用。

引言

水下成像技术已成为多个领域中的关键技术，在海洋物种分类[1]、海洋环境监测[2]和水下探索[3]中发挥着重要作用。在水下环境中，光的反射、吸收和散射会导致照明不均匀和严重的颜色失真，而悬浮颗粒和气泡的额外散射还会进一步降低捕获图像的对比度和引入噪声[4]，[5]。这些复杂和混合的失真对机器视觉任务和人类感知都构成了重大挑战，凸显了有效水下图像增强方法的必要性。为了解决水下退化问题，人们从不同角度探索了一系列UIE方法。基于手工制作的先验的方法，如DCP[6]、[7]和Retinex[8]、[9]、[10]，依赖于关于传输或照明的假设，在复杂或混合退化条件下往往效果不佳。基于模型的方法[11]、[12]、[13]试图通过引入先验假设来逆向处理成像过程，但其泛化能力仍然有限。基于学习的方法[14]、[15]提供了更好的灵活性，但在实际水下场景中存在多个退化因素同时发生时仍显不足，如图1所示。

总之，许多现有方法依赖于对特定退化类型的强假设和高质量训练数据，这带来了三个根本性挑战：(1) 基于单一先验的方法在复合退化条件下常常失败，导致增强图像出现局部失真和结构细节丢失。(2) 尽管深度学习方法在表示能力上表现出色，但在训练过程中往往缺乏对多类别视觉特征的有针对性的指导，导致在细节保留、颜色保真度和结构完整性方面的增强效果不平衡。(3) 由于标注数据有限或领域差异，模型容易过拟合，从而影响其在不同领域的感知一致性和泛化能力。因此，为了提高深度网络在复杂退化场景下的泛化和鲁棒性，探索和整合多类型退化特征以指导网络学习已成为一个关键的研究方向。在本文中，我们提出了一种全面的网络DGCL-UIE，它可以自动适应复合水下退化，并在颜色偏差、光散射和光照不足的情况下显著提升成像性能。具体而言，DGCL-UIE构建了一个以退化为导向的三分支增强框架：(i) 详细增强分支（DEB）用于边缘纹理特征的保留；(ii) 颜色校正分支（CCB）用于色彩失真的校正；(iii) 亮度补偿分支（LCB）用于光照增强。此外，考虑到三个增强分支之间的互补性和空间偏好差异，我们提出了一种基于退化图的自适应多权重融合策略。通过整合输入图像中的三种退化线索——亮度分布、边缘响应和颜色偏移，轻量级网络能够自适应地加权并融合各分支的增强结果。随后，频率引导的U-Net对多退化分支输出的粗粒度特征进行细化。最后，该模型在涵盖水下、低光照和雾霾环境的多退化数据集上进行了训练，采用了一种结合引导损失和协调拉普拉斯损失的网络策略，使网络能够自适应地关注特定区域的感知目标，显著提高了细节重建、颜色保真度、结构一致性和整体多维视觉质量。

我们强调本工作的贡献如下：

•

我们提出了一个全面增强网络DGCL-UIE，从多个水下退化的联合建模角度出发，实现了对不同程度退化的水下图像的协同处理，显著提高了水下图像质量。

•

我们提出了一种自适应多权重融合策略，通过整合输入图像中的亮度、边缘响应和色彩偏差信息来生成内容感知的权重。这种机制有效地指导了不同增强分支的融合比例，实现了多模态特征增强的动态控制。

•

我们提出了一种网络策略，通过将边缘掩码与Lab空间信息融合，结合引导损失来使网络自适应地关注特定区域的感知目标，从而在多样化的水下、低光照和雾霾场景中显著提升多维视觉质量。

部分摘录

水下图像增强

受复杂多变的水下环境影响，水下图像增强已成为一个研究热点。现有方法主要分为两类：传统的水下图像增强方法和基于深度学习的方法。

传统方法通常通过从统计图像属性构建成像模型来估计光衰减和散射效应，或通过调整像素强度值来提升图像质量[16]、[17]、[18]、[19]、[20]。

概述

所提出的DGCL-UIE框架包括三个阶段：感知先验优化、动态加权融合和语义增强，如图2所示。

在感知先验优化阶段，给定一张水下图像$X_{}\text{，}$，三个不同的视觉增强分支分别用于增强亮度、细节和颜色信息，从而得到一张细节增强的图像$X_{}\text{DEB}$、一张颜色校正后的图像$X_{}\text{CCB}$，以及一张光照补偿后的图像$X_{}\text{LCB}$。同时，

实验设置

• 1)
  数据集：我们在三种典型的退化场景下评估了我们的方法：水下图像增强、低光照图像恢复和图像去雾。对于水下图像增强，我们使用了三个广泛使用的基准数据集：UIEB [44]、EUVP-Dark [44] 和 LSUI [45]。对于低光照图像增强，我们在两个标准数据集LSRW [46] 和 LOL [47] 上进行了实验。在去雾实验中，我们使用了RESIDE [48] 数据集，该数据集包含了

结论

本文提出了DGCL-UIE，这是一种集成的水下图像增强方法，旨在通过单一网络架构解决多种典型的退化模式。其核心创新在于其基于退化的多分支学习，其中特定任务的增强分支根据初步的退化感知生成不同的响应。为了优化局部特征，我们提出了一种自适应多权重融合（AMWF）策略，该策略可以动态地

CRediT作者贡献声明

赵高丽：撰写——审稿与编辑、撰写——原始草稿、可视化、软件、方法论。吴宇恒：撰写——原始草稿、形式分析。宋俊平：资源提供。张克飞：可视化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作部分得到了河南省关键专项科研与技术开发计划（项目编号242102211096）的支持。