물의 산란과 흡수로 인해 수중 이미지에서 발생하는 색상 왜곡 및 세부 손실 문제를 해결하기 위해 다중 스케일 정보와 어텐션 메커니즘을 통합한 생성적 적대 신경망 모델을 제안하여 수중 이미지를 향상시켰다. 먼저, 이미지의 국부 정보와 전역 정보를 충분히 활용하고 강화하기 위해 국부 인코더와 전역 인코더를 사용하여 각각 이미지의 국부 특징과 전역 특징을 추출하고 상호 보완성을 위해 융합하였다. 다음으로, 다양한 스케일 정보를 포착하고 네트워크가 서로 다른 스케일 특징에 적응할 수 있도록 다중 스케일 혼합 컨볼루션을 설계하였다. 그 후, 어텐션 메커니즘을 활용하여 특징 추출의 정확성을 높이고 네트워크가 높은 가치의 특징에 집중하도록 강화하였다. 마지막으로, 다중 스케일 혼합 컨볼루션과 어텐션 메커니즘을 반복 사용하여 특징을 더욱 정밀화한 후, 단계별 업샘플링을 통해 향상된 이미지를 얻었다. 여섯 가지 고전적이고 최신 방법과 비교할 때, 제안된 모델은 주관적 평가에서 최고의 시각적 만족도를 얻었을 뿐만 아니라 전체 테스트 세트에서 피크 신호 대 잡음비(PSNR), 구조 유사도 지수(SSIM), 수중 이미지 품질 지수(UIQM), 자연 이미지 품질(NIQE) 네 가지 객관적 평가 지표에서 각각 22.499, 0.789, 2.911 및 4.175의 평균 점수를 기록하여 여섯 가지 비교 방법보다 우수했으며, 비교 방법 내 최적값 대비 각각 0.353, 0.002, 0.025 및 0.307만큼 향상되어 제안된 모델이 이미지 색상 왜곡 교정뿐만 아니라 이미지 세부 복원, 대비 및 선명도 향상에서 우수한 성능을 보이며 좋은 응용 전망을 갖고 있음을 입증하였다.

수중 이미지 향상; 생성적 적대 신경망; 인코더; 다중 스케일 혼합 컨볼루션; 어텐션 메커니즘