Pour traiter les problèmes de déviation des couleurs et de flou des détails dans les images sous-marines causés par la diffusion et l'atténuation de la lumière dans l'environnement sous-marin, un réseau d'amélioration des images sous-marines avec fusion globale des caractéristiques basé sur une version améliorée de U-Net est proposé. Premièrement, des modules convolutifs multi-résiduels sont conçus dans l'encodeur et le décodeur pour fusionner les informations caractéristiques par niveaux, réduisant ainsi la perte de détails. Deuxièmement, un module d'attention canal est introduit dans le décodeur pour pondérer les canaux, atténuant les différents degrés de dégradation des canaux. Enfin, un module convolutif-auto-attention par permutation est conçu dans le décodeur pour fusionner les informations globales, favorisant la reconstruction guidée de l'image par le réseau. La méthode proposée a été testée sur le jeu de données UIEB, obtenant des résultats finaux de 23,42, 0,9005 et 0,1385 pour les indices PSNR, SSIM et LPIPS respectivement, et sur le jeu de données LSUI, avec des valeurs finales de 29,35, 0,9382 et 0,0880. Les résultats expérimentaux montrent que la méthode proposée est efficace et faisable pour restaurer la déviation des couleurs et réduire le flou des détails.

amélioration d'images sous-marines; apprentissage profond; fusion de caractéristiques; mécanisme d'attention; réseaux neuronaux convolutifs