近日，中国科学院合肥物质院智能所智慧农业研究中心王儒敬研究员团队提出了一种基于多尺度空间特征的水下图像增强方法。相关研究成果发表在计算机科学领域期刊 Journal of King Saud University - Computer and Information Sciences 上。
水下图像的高质量获取一直是渔业监测、环境保护及物种保护等领域的关键技术难题。水下图像往往呈现出模糊、色彩失真等问题，严重影响了图像的可用性和后续分析的准确性。近年来，虽然深度学习技术在图像增强领域取得了显著进展，但大多数现有方法对于计算资源和内存的需求较高，难以在水下设备平台上有效应用。为了解决这个问题，团队提出了一种名为多尺度特征调制网络（MFMN）的新方法，以更好地实现模型效率和重构性能之间的权衡。具体来说，科研团队在一个类似于视觉变压器（VIT）的模块上开发了一个多尺度调制模块，在该模块中使用多尺度空间特征模块提取输入图像的特征，动态选择图像特征空间中的代表性特征；此外，由于多尺度空间特征模块从图像的空间角度来处理图像特征缺乏通道特征信息，团队进一步引入了通道混合模块来执行通道混合。
实验结果表明，该方法在网络参数方面比目前最先进的水下图像增强方法要小8.5倍，同时实现了基本相同甚至更优的图像增强效。这意味着，在保持高性能的同时，该方法显著降低了对计算资源的需求，为水下图像增强技术的实际应用提供了新的可能性。
图1 MFMN网络结构
