La imagen submarina facilita la exploración del entorno submarino. Sin embargo, la absorción óptica irregular y la dispersión de la luz en el agua, que varían desde condiciones claras hasta altamente turbias, a menudoresultan en baja visibilidad, distorsión de color y borrosidad en las imágenes submarinas (USIs). Los métodos convencionales de mejora de USI están limitados por un modelado físico ineficiente, mientras que los enfoques basados en aprendizaje profundo están restringidos por la escasez de conjuntos de datos de entrenamiento emparejados. En este trabajo, proponemos un marco de aprendizaje híbrido para la mejora de USI que aprovecha la utilidad de técnicas convencionales y basadas en aprendizaje profundo. En primer lugar, preprocesamos las USIs utilizando un modelo físico submarino revisado, ecualización de histograma adaptativa por contraste (CLAHE), corrección gamma (CG) y técnicas de retinex a escala única (SSR). Estas imágenes preprocesadas, junto con las USIs en bruto correspondientes, se utilizan para entrenar una red neuronal convolucional (CNN) para generar mapas de confianza para cada resultado de mejora. Simultáneamente, empleamos una segunda red de transformación de características basada en CNN (FTN), que consta de cuatro unidades de transformación de características (FTU). Entrenamos cada FTU utilizando una USI en bruto y su imagen preprocesada correspondiente para obtener mapas de confianza. Con el fin de explotar las fortalezas complementarias de la confianza del modelo físico submarino revisado y los mapas refinados (de CNN y FTN), los usamos para escalar los mapas de información restantes. Finalmente, realizamos una fusión aditiva de los mapas escalados para obtener una USI mejorada. Los experimentos en diversos conjuntos de datos de USI, incluido el conjunto de datos de mejora de imagen del mundo real (RIE) (que contiene una variedad de efectos de degradación con tonos verdosos, azulados y verde-azulados), el banco de pruebas de mejora de imágenes submarinas (UIEB), y el conjunto de datos de mejora de percepción visual submarina (EUVP), demuestran la generalidad y efectividad mejoradas del enfoque propuesto.
Ullah et al. (Jue,) estudiaron esta cuestión.