双分支水下图像增强网络:联合反射率与光照估计的交替监督-无监督学习
《Journal of Marine Science and Engineering》:Dual-Branch Underwater-Image Enhancement via Bidirectional Supervision, Contrastive Learning, and Style Transfer
【字体:
大
中
小
】
时间:2026年09月24日
来源:Journal of Marine Science and Engineering 3.2
编辑推荐:
水下图像经常遭受与波长相关的颜色衰减、低对比度和细节丢失等问题。尽管基于学习的方法已取得实质性进展,但其性能往往受到成对水下数据稀缺且多样性不足的限制。本文提出了一种双分支水下图像增强网络,能够联合估计增强后的反射率图像和光照图。恢复分支专注于局部结构和颜色重建,而光照估计分
水下图像经常遭受与波长相关的颜色衰减、低对比度和细节丢失等问题。尽管基于学习的方法已取得实质性进展,但其性能往往受到成对水下数据稀缺且多样性不足的限制。本文提出了一种双分支水下图像增强网络,能够联合估计增强后的反射率图像和光照图。恢复分支专注于局部结构和颜色重建,而光照估计分支则通过基于窗口的自注意力机制捕获全局光照信息。一个特征融合与交换模块实现了两个分支之间的双向交互,混合注意力模块则整合了通道、像素以及局部-全局上下文信息。为充分利用成对和非成对数据,模型采用交替的监督-无监督策略进行优化。监督阶段结合了双向监督、感知和对比损失,无监督阶段则引入退化一致性约束和对比式风格迁移损失,以在无对抗训练的情况下学习自然图像的颜色分布。在TEST90、TEST60、EUVP和RUIE上的实验表明,所提方法在TEST90上取得了最高的SSIM,并在多个数据集上具有竞争力的无参考质量,尤其在NIQE和MUSIQ方面表现突出。消融实验进一步验证了特征交换机制、混合注意力和联合训练策略的有效性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号