利用完整的水下成像模型实现AUV智能感知，以进行水下监视

《Pattern Recognition》：AUV intelligent perception for underwater surveillance using complete underwater imaging model

水下监视自主水下航行器智能感知方法提出基于完整水下成像模型的三模块架构，通过红通道先验预增强解决多散射问题，结合渐进特征融合与深度去卷积实现水下图像增强，实验验证其性能优于现有方法。

　　

作者：安顺民（Shunmin An）、徐丽红（Lihong Xu）、王琳玲（Linling Wang）

单位：同济大学上海智能自主系统研究所，中国上海

摘要

我们提出了一种用于水下监控的自主水下航行器（AUV）智能感知方法，该方法基于完整的水下成像模型，能够捕捉到更丰富的水下场景图像信息。我们考虑了AUV智能感知场景中常见的多散射问题，而传统的水下图像增强算法往往忽略了这一问题。所提出的方法首先利用红色通道先验（RCP）预增强模块生成中间结果，这些中间结果由于包含了清晰的结构信息，因此可以作为先验参考图像。随后开发了一个渐进式特征融合模块，有效整合了水下图像和生成的先验参考图像中的特征，从而更好地利用了参考图像中的引导信息。我们还提出了一种同调约束损失函数来规范水下图像增强网络的输出。最后，通过深度反卷积模块并结合综合的水下成像模糊核实现了图像质量的提升。全面的实验评估表明，该方法在定性和定量指标上均优于现有的最先进方法。完整的实验结果和相应的数据集已通过以下仓库公开发布：https://github.com/An-Shunmin/AUVIP

章节摘要

引言

自主水下航行器（AUV）能够深入水中，观察海洋生态系统、地质结构以及海洋动物的行为，从而增进我们对海洋的认识。AUV在水下监控中发挥着重要作用[[1], [2], [3]]。例如，在海洋勘探[4]中，AUV的水下观测对于海洋保护和新资源探索等领域至关重要；在水下考古[5]中，AUV也发挥着重要作用

相关工作

在水下图像增强领域，已经开发出了多种无需模型的技术，如白平衡和直方图均衡化。这些方法在本综述中分为两类：基于先验的方法和基于学习的方法。基于先验的方法利用来自水下成像过程的知识来提高图像质量，而基于学习的方法则依赖于在大量数据集上训练的深度神经网络来实现更精确的图像增强

方法

本节详细描述了所提出的算法。该算法框架包括三个关键模块：RCP预增强模块、渐进式特征融合模块和深度反卷积模块。RCP预增强模块直接从输入图像生成先验参考图像，该参考图像比原始输入图像具有更清晰的结构细节，为后续的图像增强过程提供指导。随后，渐进式特征融合模块

实验

本节对四个水下数据集进行了评估，包括合成样本和真实样本。使用全参考和无参考的质量指标对十四种现有方法进行了对比分析。后续部分详细介绍了实验配置，并展示了定性和定量结果。此外，消融实验验证了该方法的有效性，运行时间则展示了该方法的处理速度

结论

本文提出了一种利用水下增强技术的智能感知方法，适用于自主水下航行器的监控场景。基于综合的水下成像模型，我们开发了一种端到端的架构，将深度网络与先验信息相结合。在该架构中，首先通过RCP预增强模块生成中间结果作为先验参考图像。随后，渐进式特征融合模块

CRediT作者贡献声明

安顺民（Shunmin An）：撰写 – 审稿与编辑、撰写 – 原始草案、验证、方法论、数据管理。徐丽红（Lihong Xu）：监督、资源协调、项目管理、资金获取、正式分析。王琳玲（Linling Wang）：可视化处理、验证、软件开发、方法论、数据管理、概念化设计。

利益冲突声明

作者声明以下可能构成潜在利益冲突的财务利益和个人关系：徐丽红（Lihong Xu）表示获得了国家自然科学基金（项目编号62373286）的财政支持。如果还有其他作者，他们声明自己没有其他可能影响本文工作的已知财务利益或个人关系。