A Physical Model-Guided Framework for Underwater Image Enhancement and Depth Estimation

由于不同水下介质对光的选择性吸收和散射，水下图像通常会受到各种视觉退化的影响。现有的结合水下物理成像模型和神经网络的水下图像增强（UIE）方法通常无法准确估计成像模型参数，如深度和遮光，导致在某些情况下性能不佳。为解决这个问题，我们提出了一个物理模型引导的框架，用于联合训练深度退化模型（DDM）和任何先进的UIE模型。DDM包括三个精心设计的子网络，以准确估计各种成像参数：遮光估计子网络、因子估计子网络和深度估计子网络。基于估计的参数和水下物理成像模型，我们通过对水下图像和期望的干净图像之间的关系进行建模，即UIE模型的输出，对增强过程施加物理约束。此外，虽然我们的框架与任何UIE模型兼容，但我们设计了一个简单而有效的全卷积UIE模型，称为UIEConv。UIEConv通过双分支结构利用全局和局部特征进行图像增强。在我们的框架内训练的UIEConv在不同的水下场景中实现了显著的增强效果。此外，作为UIE的副产品，训练的深度估计子网络使水下场景深度估计更加准确。在各种真实水下成像场景中进行了广泛的实验，包括人工光源的深海环境，验证了我们的框架和UIEConv模型的有效性。

本论文旨在解决水下图像增强中参数准确估计问题，提出了一种基于物理模型的框架来训练深度降噪模型和任何先进的水下图像增强模型。

该论文提出了一个三个子网络的深度降噪模型，可以准确估计水下图像中的各种参数，包括遮蔽光估计、因素估计和深度估计，并根据物理模型对增强过程进行约束。

该论文的亮点在于提出了一个基于物理模型的框架，可以准确估计水下图像中的各种参数，并在此基础上进行增强。论文还提出了一种名为UIEConv的简单而有效的完全卷积水下图像增强模型，并在各种水下场景中进行了广泛的实验验证。

在相关研究方面，最近的相关研究包括“Underwater Image Enhancement by Dehazing with Minimum Information Loss and Histogram Distribution Prior”和“Underwater Image Restoration Based on Image Blurriness and Light Absorption”。