L'environnement sous-marin présente des phénomènes complexes d'atténuation et de diffusion de la lumière, ce qui entraîne une dégradation significative de la qualité des images brutes capturées par les dispositifs d'imagerie. Les méthodes d'amélioration des images sous-marines basées sur l'apprentissage profond améliorent dans une certaine mesure la qualité des images brutes, mais la plupart des méthodes existantes utilisent des ensembles de données appariés synthétiques ou générés par modèle pour l'entraînement. En raison d'une grande différence de distribution de données entre les échantillons d'entraînement et les images réelles, des phénomènes de sur-amélioration et de réduction insuffisante des dérives de couleur apparaissent souvent. Pour résoudre ces problèmes, cet article propose un modèle d'amélioration d'images sous-marines intégrant le transfert de domaine et le mécanisme d'attention. Tout d'abord, un réseau de génération d'images pour le transfert de domaine est conçu, combinant un modèle d'imagerie physique et un classificateur de type d'eau, afin d'apprendre la relation de correspondance des descriptions caractéristiques entre les images de différents domaines dans différents scénarios, réduisant ainsi la différence entre les images générées et les images réelles. Ensuite, un réseau encodeur-décodeur à attention mixte multi-échelle est conçu, introduisant des connexions de caractéristiques efficaces et un mécanisme de fusion d'attention, améliorant la capacité du réseau à renforcer les détails locaux de l'image. Enfin, une fonction de perte de cohérence des corrélations de domaine global est proposée, qui construit la cohérence de contenu et de structure des images générées à chaque étape du transfert de domaine, entraînant mieux les paramètres du modèle et améliorant la qualité de l'amélioration d'image. Le modèle proposé a obtenu des précisions sur les indices UIQM et UCIQE respectivement de 3.1401, 0.6021 et 3.0768, 0.6124 sur les ensembles de données réelles sous-marines UIEB et EUVP. Les résultats expérimentaux montrent que le modèle peut efficacement améliorer la qualité de l'amélioration des images sous-marines, avec une restauration des couleurs plus naturelle et une amélioration des détails plus marquée.

amélioration des images sous-marines; transfert de domaine; réseaux antagonistes génératifs; amélioration par attention