PixMamba: Leveraging State Space Models in a Dual-Level Architecture for Underwater Image Enhancement

水下图像增强（UIE）对于海洋研究和探索至关重要，但受到复杂的色彩失真和严重的模糊的影响。最近基于深度学习的方法取得了显着的结果，但这些方法在计算成本高和全局建模不足方面存在困难，导致局部区域欠调或过调。我们提出了PixMamba，一种新颖的架构，旨在通过利用状态空间模型（SSMs）进行有效的全局依赖建模来克服这些挑战。与具有有限感受野的卷积神经网络（CNNs）和计算成本高的变换器网络不同，PixMamba在保持计算效率的同时有效地捕获全局上下文信息。我们的双层策略采用基于补丁的高效曼巴网络（EMNet）来重建增强图像特征，采用基于像素的PixMamba网络（PixNet）来确保难以获得的细粒度特征捕获和增强图像的全局一致性。PixMamba在各种水下图像数据集上实现了最先进的性能，并提供了视觉上优越的结果。代码可在以下网址获得：https://github.com/weitunglin/pixmamba。

PixMamba论文的问题是如何提高水下图像增强的效果，解决了当前深度学习方法计算成本高、局部调整不足的问题。

PixMamba使用状态空间模型(SSMs)进行全局依赖建模，提高了全局上下文信息的获取效率，同时保持了计算效率。其双层策略包括基于块的Efficient Mamba Net (EMNet)和基于像素的PixMamba Net (PixNet)，提高了细粒度特征捕获和全局一致性。

该论文在多个水下图像数据集上取得了最先进的表现，并提供了开源代码。值得注意的是，PixMamba采用了状态空间模型进行全局依赖建模，这是该领域的一项新的技术。

最近在这个领域中，还有一些相关的研究，如：Underwater Image Enhancement using an Integrated Color Model and Convolutional Neural Networks, Underwater image enhancement using a hybrid approach based on Retinex and convolutional neural network,等等。