编辑推荐：
为解决水下图像质量评估（UIQA）缺乏可靠数据、现有方法预测精度低等问题，研究人员构建 DART2024 数据集并提出基于多尺度深度元学习的 UIQA 方法。实验表明该方法在多方面优于现有方法，为水下图像质量评估提供新方案。
在神秘的水下世界，水下图像对于海洋生态探索和目标识别至关重要。然而，复杂的水下环境就像一个 “捣乱分子”，给图像采集带来诸多麻烦。水质、光照和成像设备等因素，让水下图像常常出现低对比度、模糊、雾化、亮度不均和颜色映射不一致等问题。这些问题导致图像信息丢失，严重影响后续的分析和实际应用。比如，在海洋生物研究中，模糊不清的图像可能会让科研人员难以准确识别生物种类。
为了提升水下图像的质量，人们提出了许多水下图像增强（UIE）算法。但新的难题又出现了，如何公平地比较不同 UIE 算法的性能，以及准确评估增强结果的质量呢？目前的图像质量评估（IQA）方法分为主观评估和客观评估。主观评估虽然最能反映图像对视觉效果的影响，却耗费大量人力且效率低下，无法满足现代应用场景的即时性和成本效益需求。客观评估方法旨在模拟人类视觉系统的感知特征，能够在无人干预的情况下实时分析大量图像数据，实用性更强。
客观 IQA 方法主要分为全参考 IQA（FR-IQA）、减少参考（RR-IQA）和无参考 IQA（NR-IQA）三类。在实际水下场景中，获取清晰、无失真的参考图像几乎是不可能的，所以 NR-IQA 方法成为评估水下图像质量的理想选择。但现有 NR-IQA 方法大多针对自然图像，在水下图像上的预测精度面临巨大挑战。这是因为水下独特的光传播模式，如吸收和散射，会导致自然图像中不存在的颜色失真、模糊和对比度降低等现象。此外，水下图像质量评估（UIQA）研究还面临两大挑战：一是缺乏大规模水下图像数据集，现有的数据集规模有限，无法全面深入地验证 UIQA 方法；二是水下成像环境复杂，传统手工特征难以表征多维退化模式，水下场景的丰富性和可变性也降低了现有 UIQA 方法的泛化性和灵活性。
为了解决这些问题，国内的研究人员开展了深入研究。他们构建了 DART2024 数据集，并提出了一种基于多尺度深度元学习的 UIQA 方法。这一研究成果发表在《Computer Vision and Image Understanding》上，具有重要意义。它为水下图像质量评估提供了更可靠的数据集和更有效的评估方法，推动了水下图像相关领域的发展。
研究人员在开展研究时，用到了以下几个主要关键技术方法：首先，通过应用相应的梯度图对水下图像进行加权处理，突出关键细节；其次，构建包含信息感知模块、信息融合模块和质量预测模块的多尺度深度神经网络，从 RGB 图像及其梯度增强图像中提取视觉和结构特征；最后，基于元学习技术设计优化的元学习框架，使模型能够快速适应未知失真。
下面来看具体的研究结果：
- DART2024 数据集：该数据集包含 1000 张原始水下图像和 10000 张由 10 种常见 UIE 方法生成的失真水下图像，涵盖了不同深度、光照条件和多种水下景观，内容丰富全面。并且，为每张图像提供了相应的质量分数，为后续研究提供了可靠的基准。
- UIQA 方法：
- 图像预处理：对水下图像进行预处理，获得相应的梯度增强图像，通过加权处理突出关键细节。
- 特征提取与融合：利用信息感知模块从 RGB 图像和梯度增强图像中提取特征，信息融合模块对这些特征进行多尺度整合。
- 质量预测：质量预测模块通过非线性回归将特征转换为具体的质量分数。
- 元学习框架：基于元学习技术设计的优化元学习框架，使模型能够快速适应未知失真，在复杂水下环境中实现对图像质量的准确预测。
在研究结论和讨论部分，研究人员构建的 DART2024 数据集数量大且覆盖广泛的实际水下场景，为后续研究奠定了坚实基础。提出的 UIQA 方法通过图像预处理和基于多尺度深度神经网络及元学习框架的设计，在准确性、稳定性和收敛速度方面优于现有 IQA 方法。不过，该研究也存在一定局限性。但总体而言，这项研究为水下图像质量评估领域开辟了新的道路，无论是数据集的构建还是评估方法的创新，都为后续研究提供了重要的参考和方向，有望推动水下图像相关技术在更多领域的应用和发展。
