Évaluation de la qualité d'image sous-marine basée sur l'attention et le Mamba

L'imagerie sous-marine est essentielle dans divers domaines, notamment l'exploration des ressources, l'observation marine et la recherche scientifique. Cependant, la qualité des images sous-marines est souvent compromise par des facteurs environnementaux tels que la diffusion de la lumière, l'absorption et la présence de brouillard, entraînant des distorsions telles que des changements de couleur, un faible contraste et un flou. Pour relever ces défis, nous proposons une nouvelle méthode d'évaluation de la qualité d'image sous-marine (UIQA), l'Indice de Qualité basé sur l'Attention et le Mamba (AMQI). Le modèle AMQI utilise une architecture à plusieurs étapes conçue pour capturer à la fois les caractéristiques d'image locales et globales essentielles pour l'évaluation de la qualité sous-marine. Tout d'abord, un Extracteur de Caractéristiques Superficiel (SFE) capture les détails spatiaux essentiels. Ensuite, le Réseau de Représentation d'Information Locale (LIR-Net), équipé des mécanismes d'Attention par Canal (CA) et de Spatial guidé par Grand Noyau (LKS), améliore les détails fins et capture les dépendances à longue portée pour traiter les distorsions spécifiques à l'environnement sous-marin. Le Réseau de Représentation d'Information Globale (GIR-Net) traite davantage les caractéristiques en utilisant une combinaison du Modèle d'Espace d'État Visuel (VSSM) et de ResNet-50 pour capturer des informations sémantiques et contextuelles de haut niveau. Enfin, le Réseau de Cartographie Caractéristiques-Qualité (FQM) convertit les caractéristiques apprises en un score de qualité, garantissant des prédictions précises de la qualité de l'image. Des expériences approfondies sur la Base de Données de Qualité d'Image Sous-Marine (UIQD) démontrent que l'AMQI surpasse les modèles IQA et UIQA à l'état de l'art actuels en termes de précision et de corrélation avec les évaluations subjectives humaines. La robustesse et les capacités de generalisation du modèle sont également validées par des études d'ablation détaillées et des évaluations croisées entre bases de données, montrant sa forte performance à travers divers environnements sous-marins. Le code source est disponible sur https://github.com/ibaochao/AMQI.