双分支小波扩散模型与双先验优化在水下图像增强中的应用研究

本文提出DwaveDiff模型，创新性地将双分支小波变换与条件去噪扩散模型(CDDM)结合，通过红通道先验(RCP)和边缘捕获图(ECM)分别指导低频色彩校正与高频细节恢复。该模型采用先验嵌入网络实现动态优化，在合成和真实水下数据集上均展现卓越性能，为复杂水下场景的图像增强提供了新范式。

　　

Highlight

我们提出具有双先验优化的双分支小波扩散模型(DwaveDiff)用于水下图像增强(UIE)。通过哈尔小波变换将图像分解为低频和高频子带，降维后的频率信息不仅加速CDDM推理，还能让CDDM分别处理色彩校正与细节恢复。具体而言：

• 低频分支采用红通道先验(RCP)图像作为CDDM条件进行色彩校正

• 高频分支使用边缘捕获图(ECM)作为条件恢复细节

• CDDM中的先验优化策略确保使用精确先验信息指导增强

Methodology

DwaveDiff整合了扩散模型的生成能力、小波变换的降维特性以及先验信息的引导作用。方法框架包含：

1. 小波域双分支结构：高频分支通过CDDM处理高频子带，低频分支采用类似CDDM处理低频输入

2. 物理先验约束：RCP提供低频色彩补偿，ECM供应高频结构信息

3. 创新性噪声预测网络：在UNet架构中加入交叉注意力机制，提升CDDM对先验的敏感性

Experimental setting

实施细节：

• 框架：PyTorch（NVIDIA RTX 2080Ti GPU）

• 优化器：Adam（学习率0.0001，β₁=0.9，β₂=0.999）

• 输入尺寸：256×256

• 扩散步数：T

Failure case

在极端浑浊和低对比度场景中，当RCP和ECM均失效时（如图10a所示），模型表现受限。此时RCP空间信息衰减严重，ECM也难以捕捉有效边缘特征。

Conclusion

DwaveDiff通过小波域双分支CDDM架构，在RCP和ECM引导下分别增强频率子带，配合动态先验优化策略，显著提升水下图像质量。实验证明其在定量和定性评估中均优于现有方法。