WaterMamba: Visual State Space Model for Underwater Image Enhancement

水下成像常常因为影响水中光传播和吸收的因素而质量低下。为了提高图像质量，一些基于卷积神经网络（CNN）和Transformer的水下图像增强（UIE）方法已经被提出。然而，基于CNN的UIE方法在建模长距离依赖方面存在局限性，而基于Transformer的方法涉及大量参数和复杂的自注意机制，从而带来了效率方面的挑战。考虑到计算复杂度和严重的水下图像退化问题，提出了一种具有线性计算复杂度的UIE状态空间模型（SSM），名为WaterMamba。我们提出了空间通道全向选择扫描（SCOSS）块，包括空间通道坐标全向选择扫描（SCCOSS）模块和多尺度前馈网络（MSFFN）。SCOSS块模拟像素和通道信息流，解决依赖关系问题。MSFFN促进信息流调整并促进SCCOSS模块内的同步操作。广泛的实验证明WaterMamba具有先进的性能，参数和计算资源减少，优于各种数据集上的最先进方法，验证了其有效性和通用性。代码将在接受后在GitHub上发布。

本文旨在解决水下成像质量低下的问题，提出了一种具有线性计算复杂度的状态空间模型（SSM）WaterMamba来进行水下图像增强。该模型旨在提高图像质量并减少参数和计算资源的需求。

本文提出了一种名为SCOSS的空间-通道全向选择扫描块，其中包括空间-通道坐标全向选择扫描（SCCOSS）模块和多尺度前馈网络（MSFFN）。SCOSS块模拟像素和通道信息流，解决了依赖性问题。MSFFN有助于信息流调整和促进SCCOSS模块内的同步操作。

本文的亮点包括：提出了一种具有线性计算复杂度的状态空间模型（SSM）WaterMamba来进行水下图像增强；提出了SCOSS块来模拟像素和通道信息流，解决了依赖性问题；在各种数据集上展示了WaterMamba的出色性能，验证了其有效性和通用性。论文将在接受后在GitHub上发布代码。

最近在这个领域中，已经有一些基于卷积神经网络（CNN）和Transformer的水下图像增强方法被提出。然而，基于CNN的方法受限于建模长程依赖性，而基于Transformer的方法涉及大量参数和复杂的自注意机制，存在效率挑战。