《Journal of Marine Science and Engineering》:A Physics-Guided Adaptive Bayesian Optimization Framework for Training-Free Underwater Image Enhancement
编辑推荐:
可靠的水下视觉感知在海洋探索、自主水下航行器和海底检测中扮演着关键角色。然而,由于波长依赖的光衰减和散射,水下图像经常遭受严重的颜色失真、对比度降低和结构信息丢失。现有的增强方法要么依赖于固定的物理假设,要么需要数据驱动的模型,这通常限制了它们在多样水下环境中
可靠的水下视觉感知在海洋探索、自主水下航行器和海底检测中扮演着关键角色。然而,由于波长依赖的光衰减和散射,水下图像经常遭受严重的颜色失真、对比度降低和结构信息丢失。现有的增强方法要么依赖于固定的物理假设,要么需要数据驱动的模型,这通常限制了它们在多样水下环境中的适应性。为了解决这些挑战,本文提出了一种物理引导的自适应贝叶斯优化(Physics-Guided Adaptive Bayesian Optimization, PG-ABO)框架,用于免训练水下图像增强。通过将物理退化先验与图像特定参数优化相结合,该方法使得增强策略能够动态适应变化的水下条件,而无需依赖配对训练数据。该框架引入了一种改进的水下暗通道先验(Underwater Dark Channel Prior, UDCP)并结合结构感知透射率精化,以建立物理一致的初始表征。随后,构建了一条双路径优化策略,分别针对颜色保真度和结构感知生成互补的增强候选。采用贝叶斯优化(Bayesian Optimization, BO)在UCIQE(Underwater Color Image Quality Evaluation)和UIQM(Underwater Image Quality Measure)目标的引导下自适应搜索增强参数。此外,还引入了一种带有抗热点权重调节的鲁棒多尺度融合策略,并应用了一个度量感知精化模块以增强感知一致性并减少增强伪影。在三个水下图像数据集(包括U45、UIEB和LSUI)上进行的实验验证了所提框架在不同水下条件下的有效性和鲁棒性。因此,该方法为复杂退化条件下的水下图像增强提供了一种自适应、免训练且具有物理动机的解决方案。
论文解读文章
研究背景与问题
水下视觉感知是海洋工程应用(如海洋环境监测、自主水下航行器AUVs和海底检测)的核心技术之一。然而,由于光在水下传播过程中存在波长依赖的衰减和散射效应,获取的水下图像普遍面临严重的颜色失真、对比度降低和结构信息丢失等问题。这种多重退化因素的强耦合特性使得图像恢复极具挑战性:例如,增强颜色补偿可能改善色貌,但也可能引入结构畸变或伪影。现有方法存在明显局限:基于物理模型的方法虽具可解释性,但常因手动确定的参数导致适应性不足;基于学习的数据驱动方法虽性能出色,但高度依赖训练数据,在未见过的水下环境中泛化能力下降。因此,开发一种兼具物理知识引导和自适应优化能力的免训练增强策略对于实现可靠的水下视觉感知至关重要。
研究方法概述
研究人员提出了一种物理引导的自适应贝叶斯优化(PG-ABO)框架,该框架由四个渐进阶段组成:预处理阶段、双路径候选生成阶段、鲁棒多尺度融合阶段和度量感知精化阶段。关键技术方法包括:(1)基于改进水下暗通道先验(UDCP)的物理引导恢复模块,结合结构感知透射率精化;(2)基于贝叶斯优化(BO)的双路径自适应优化策略,分别在UCIQE和UIQM目标引导下独立优化颜色保真度和结构感知;(3)带有抗热点机制的鲁棒多尺度融合策略,利用拉普拉斯金字塔进行频率感知聚合;(4)度量感知精化模块,结合方差引导自适应去噪和轻量级参数优化。所有实验在配备Intel Core i5-9300H CPU和NVIDIA GeForce GTX 1650 GPU的设备上进行,平均每张图像处理时间为24.09秒。
研究结果
定性比较
在U45数据集上的视觉比较表明,传统方法(如DCP、UDCP、CLAHE等)难以同时兼顾颜色保真度和结构保持。所提框架通过双路径优化产生了互补的增强结果:UIQM驱动分支提升了边缘连续性、局部对比度和纹理表现;UCIQE驱动分支有效抑制了主导颜色偏差,实现了更一致的色彩分布。
定量评估
颜色保真优化行为:UCIQE驱动分支在所有测试水域条件下均实现了一致的颜色相关特性改善,平均UCIQE值从0.441提升至0.662,其中蓝色水下场景达到最高值0.692。
结构感知优化行为:UIQM驱动分支在所有条件下均实现了UIQM的一致性提升,整体UIQM值从2.307提升至4.415,改善主要源于对比度一致性的增强而非过度高频放大。
整体增强评估:跨数据集统计验证(U45、LSUI、UIEB)显示,两个分支均取得了统计显著的改善(Wilcoxon符号秩检验p<0.01)。相对改善分析表明,PG-ABO在LSUI上获得最大UIQM增益,在UIEB上获得最大UCIQE增益。
帕累托前沿分析:对U45数据集的90张图像进行相关性分析发现,UIQM和UCIQE呈现显著负相关(r=-0.42, p<0.001),证实了两个指标捕捉了部分竞争性的感知偏好。不同退化场景下的帕累托前沿均表现出明显的权衡趋势。
比较分析:与多种先进方法的对比显示,所提方法在UIQM和UCIQE指标上均取得最优或接近最优的性能,优于UDCP、PUIE、PUGAN、Transformer架构等方法。
度量增量评估:在UIEB数据集上,与ACDE方法的对比表明,所提框架在UIQM和UCIQE上分别获得了更大的度量增量,验证了自适应目标驱动优化的有效性。
贝叶斯优化有效性
与随机搜索和网格搜索的比较表明,贝叶斯优化在有限评估预算下实现了更优的UCIQE值(0.662),且收敛速度更快、稳定性更高。尽管网格搜索获得略高的UIQM值(4.420 vs. 4.411),但其计算成本显著增加。
组件消融分析
组件消融实验确认了各模块的贡献:物理先验移除导致UCIQE显著下降;单路径实验证实了双路径解耦的必要性;抗热点机制移除造成UIQM最大降幅;自适应去噪和度量感知精化主要影响结构一致性。
感知结构增强分析
边缘检测和关键点提取实验表明,增强后的图像在严重退化场景中展现出更多的结构响应,关键点和边缘像素数量均有增加,验证了该方法对下游视觉任务的可用性提升。
讨论与结论
研究人员的讨论部分指出,贝叶斯优化的核心优势在于能够在增强质量和搜索效率之间取得有利平衡,其自适应机制减少了不必要的评估次数,同时保持了竞争力的增强性能。组件消融分析进一步确认,物理先验提供了有意义的初始化,双路径贝叶斯优化解决了冲突的感知需求,抗热点融合提升了鲁棒性,精化模块增强了最终感知一致性。这些发现支持了所提框架的有效性,并论证了解耦优化策略的必要性。
研究结论总结如下:本文提出了一个物理引导的自适应贝叶斯优化框架,用于免训练水下图像增强。该框架整合了物理先验与图像特定的贝叶斯参数优化,无需监督训练数据即可实现自适应增强。框架包含四个互补组件:基于改进UDCP的物理引导恢复模块、双路径自适应优化策略、带有抗热点机制的鲁棒多尺度融合模块,以及结合自适应去噪与轻量级参数优化的度量感知精化模块。在U45、UIEB和LSUI数据集上的实验验证了该方法在不同水下退化条件下的有效性和泛化能力,取得了客观图像质量指标的一致改善和视觉一致的增强结果。未来工作将集中于通过将所提物理引导优化机制融入轻量级代理网络来提高计算效率,以期促进自主水下航行器等海洋工程应用的实时水下视觉感知。