arXiv cs.AI· Munsif Ali, Najmul Hassan, Lucia Ventura, Davide Di Bari, Simonepietro Canese, Jungpil Shin·· 11 小时前AI 评分20
AQUA-Net：面向水下图像增强的自适应频率融合与光照感知网络
AQUA-Net: Adaptive Frequency Fusion and Illumination Aware Network for Underwater Image Enhancement
AI 导读
研究者提出水下图像增强模型 AQUA-Net，在残差编码器-解码器上增加频率融合与光照感知双辅助分支，用傅里叶域频率线索保留纹理细节，并借鉴 Retinex 通过学习到的光照图做自适应曝光校正。模型在多个基准数据集上以更少参数量达到与 SOTA 相当的定性与定量表现，同时发布了一个来自地中海的高分辨率真实水下视频数据集。
正文 · AI 翻译
摘要：由于光吸收和散射与波长相关，水下图像常常出现严重的颜色失真、对比度低和雾状外观。同时，现有深度学习模型计算复杂度高，限制了其在实时水下应用中的实际部署。为应对这些挑战，本文提出了一种新颖的水下图像增强模型，称为自适应频率融合与光照感知网络（AQUA-Net）。它将残差编码器-解码器与两个辅助分支相结合，这两个分支分别在频率域和光照域中运行。频率融合编码器利用来自傅里叶域的频率线索丰富空间表示，并保留精细纹理和结构细节。受 Retinex 启发，光照感知解码器通过一个学习到的光照图执行自适应曝光校正，该光照图将反射率与光照效应分离。这种空间、频率和光照的联合设计使模型能够在各种水下条件下恢复色彩平衡、视觉对比度和感知真实感。此外，我们提出了一个来自地中海的高分辨率、真实世界水下视频衍生数据集，该数据集捕捉了具有真实视觉退化的挑战性深海条件，从而能够对深度学习模型进行稳健评估和开发。在多个基准数据集上的大量实验表明，AQUA-Net 在定性和定量评估中均与 SOTA 表现相当，同时使用的参数数量更少。消融研究进一步证实，频率分支和光照分支提供了互补的贡献，改善了可见性和颜色表示。总体而言，所提出的模型展现出强大的泛化能力和鲁棒性，为真实世界水下成像应用提供了有效的解决方案。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2512.05960 [cs.CV] |
| （或 arXiv:2512.05960v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.05960 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Munsif Ali [查看电子邮件]
[v1]
2025年12月5日星期五 18:56:10 UTC（17,182 KB）
[v2]
2026年10月16日星期五 08:41:02 UTC（44,026 KB）
来源：arXiv cs.AI · arxiv.org