Zur Lösung des Problems von Farbverzerrungen und Detailunschärfe in Unterwasserbildern, die durch Streuung und Abschwächung des Lichts in der Unterwasserumgebung verursacht werden, wird ein verbessertes U-Net-basiertes Unterwasserbilder-Enhancement-Netzwerk mit globaler Merkmalsfusion vorgeschlagen. Zunächst werden im Encoder und Decoder mehrschichtige Residual-Convolution-Module zur schichtweisen Merkmalsfusion entwickelt, um Detailverluste zu reduzieren. Zweitens wird im Decoder ein Kanal-Achtsamkeitsmodul eingeführt, das die Kanäle gewichtet und das Problem ungleichmäßiger Kanaldegradation mildert. Schließlich wird im Decoder ein Convolution-Permutation-Selbstaufmerksamkeitsmodul zur globalen Informationsfusion entworfen, das die netzwerkgeleitete Bildrekonstruktion fördert. Die vorgeschlagene Methode wurde auf dem UIEB-Datensatz getestet und erreichte finale Ergebnisse von 23,42, 0,9005 und 0,1385 für PSNR, SSIM und LPIPS. Auf dem LSUI-Datensatz wurden finale Ergebnisse von 29,35, 0,9382 und 0,0880 erzielt. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode bei der Wiederherstellung von Farbverzerrungen und der Reduzierung von Detailunschärfe wirksam und praktikabel ist.

Unterwasserbildverbesserung; Deep Learning; Merkmalsfusion; Aufmerksamkeitsmechanismus; Convolutional Neural Networks