近日，厦门大学水声通信与海洋信息技术教育部重点实验室、信息学院袁飞教授和程恩教授团队于海洋工程领域顶级刊物 IEEE Journal of Oceanic Engineering在线发表了题为“Underwater Image Enhancement based on Zero-Reference Deep Network”的文章，该研究提出了一种新颖的基于零参考深度网络的水下图像增强框架，并在多个基准上验证了该算法提升水下退化图像质量的有效性。
水下光学图像是获取水下信息最直接、迅速有效的途径。但由于严重的光吸收和散射，水下图像通常会出现严重的颜色衰减和对比度降低等问题。大多数主流的基于深度学习的水下图像处理方法通常需要大量的水下配对训练数据，而且网络结构复杂、训练时间较长、计算成本较高。
为了解决这些问题，该研究提出了一种用于水下图像增强的零参考深度网络，利用深度网络将水下图像增强转化为特定参数图估计问题。基于水下成像模型原理，设计匹配的水下曲线模型，去除水下色散和色偏。在这个基础上，设计一个轻量级的深度网络估计水下曲线模型的动态调整参数，实现图像增强。为保证网络的估计精度，面向水下图像劣化特点，设计了一组无参考损失函数，可隐式驱动网络学习。此外，可结合视觉仿生理论，选用包括自适应颜色补偿等预处理模块，提高图像增强算法的鲁棒性。多个基准实验表明，所提方法的主客观指标相比对照方法都有较强竞争力。该方案是零参考学习框架在水下图像增强的应用尝试，具有一定应用潜力，为边端智能体水下视觉任务提供了参考。
算法整体框架
信息学院2020级博士研究生黄一凡为论文第一作者，袁飞教授为通讯作者。该研究得到国家自然科学基金（62071401，61871336）以及厦门市海洋局海洋发展专项基金（No.21CZB015HJ10）的联合资助。
顶部为退化图像，底部为增强结果
UIEB与RUIE数据集上的增强质量评估，采用水下图像无参考评价指标UIQM与UCIQE
Huang Y, Yuan F, Xiao F, Lu J, Cheng E. Underwater Image Enhancement based on Zero-Reference Deep Network[J]. IEEE Journal of Oceanic Engineering, 2023.
