编辑推荐：
水下图像存在细节丢失、色彩失真和模糊等问题，影响后续任务。研究人员提出 UWEGAN 算法，结合 U 形编码器与生成对抗网络（GAN）。实验表明，该算法显著提升视觉质量，在 PSNR、SSIM 和 MSE 指标上有明显改善，对水下图像增强意义重大。
水下世界神秘而深邃，海洋科学研究、水下考古、资源勘探以及海洋工程等诸多领域都依赖水下图像获取关键信息。然而，水下成像环境极为复杂，就像给相机镜头蒙上了一层 “神秘面纱”。光线在水中传播时，会被大量吸收和散射，导致图像亮度不足、对比度降低；色彩也会出现严重失真，红色常常率先 “隐身”，水下图像往往呈现单调的蓝绿色调；此外，光的折射和像差还会使图像发生变形。
在这样的困境下，传统的水下图像增强方法显得力不从心。直方图均衡化虽能调整对比度和亮度，但容易造成图像过饱和、细节丢失；基于深度学习的方法，如 UIE-Net、UWCNN 等，也存在各种问题，有的因依赖合成数据集导致过亮，有的特征提取能力有限，图像模糊、纹理缺失。因此，开发一种更有效的水下图像增强算法迫在眉睫。
为解决这些难题，研究人员开展了关于水下图像增强算法的研究。他们提出了一种名为 UWEGAN（Underwater Image Enhancement Generative Adversarial Network）的新型水下图像增强算法，该算法结合了 U 形编码器与生成对抗网络（GAN）。这一研究成果发表在《Digital Signal Processing》上，为水下图像增强领域带来了新的希望。
研究人员在开展研究时，主要运用了以下关键技术方法：首先，设计了多尺度特征融合模块（MFFM），通过不同尺度的卷积核提取图像特征，增强图像的局部信息；其次，构建了特征交互注意力模块（FIA），由通道注意力和像素注意力组成，用于校正色彩失真；最后，使用复合残差提取单元（CREU）替代传统卷积块，解决图像模糊问题。
下面来看具体的研究结果：
- 多尺度特征融合模块（MFFM）的作用：MFFM 利用不同尺度的卷积核，能够捕捉图像中不同大小和形状的物体或纹理，提取比单一卷积核更丰富的特征。它增强了图像的局部信息，提供更多细节和上下文特征信息，适应不同图像场景，有效避免了细节纹理的丢失。
- 特征交互注意力模块（FIA）的效果：FIA 模块通过通道注意力学习每个通道的权重，强化图像中的重要特征通道，提高图像对比度；像素注意力则对图像中每个位置的注意力进行精细调整，减少伪影干扰，校正色彩失真，改善图像的整体色彩平衡。
- 复合残差提取单元（CREU）的优势：CREU 引入跨层连接和残差学习机制，有效避免了普通卷积层处理大规模特征时可能产生的信息损失。其具有更大的感受野和更深的网络深度，能更好地捕捉局部特征并传递给下一层，实现图像去模糊，保留图像细节。
在研究结论和讨论部分，UWEGAN 算法展现出显著的优势。它成功解决了水下图像细节丢失、色彩失真和模糊等关键问题，通过 MFFM、FIA 和 CREU 模块的协同作用，提升了图像的视觉质量。在公共水下数据集上的实验表明，UWEGAN 在峰值信噪比（PSNR）、结构相似性指数（SSIM）和均方误差（MSE）等指标上分别取得了 2.33%、2.12% 和 1.67% 的平均提升。这一成果不仅为水下图像增强领域提供了新的技术方案，也为海洋科学研究、资源勘探等相关领域提供了更清晰、准确的图像数据支持，有助于推动这些领域的进一步发展。同时，该算法在复杂水下环境下的良好表现，也为后续相关研究奠定了坚实基础，具有重要的理论意义和实际应用价值。
