수중 환경에서는 복잡한 광선 감쇠 및 산란 현상이 존재하여 촬영 장비가 촬영한 원본 이미지의 품질 저하 문제가 뚜렷하게 나타난다. 딥러닝 기반 수중 이미지 향상 방법은 원본 이미지의 화질을 어느 정도 향상시켰지만, 기존 방법들은 대부분 인위적으로 합성되거나 모델이 생성한 페어 데이터셋으로 학습되었다. 훈련 샘플과 실제 이미지 간 데이터 분포에 큰 도메인 차이가 있어 과도한 향상이나 색 편향 제거 미흡 현상이 쉽게 발생한다. 이러한 문제를 해결하기 위해 본 논문에서는 도메인 변환과 어텐션 메커니즘을 융합한 수중 이미지 향상 모델을 제안한다. 우선 물리적 영상 모델과 수형 분류기를 결합한 도메인 변환 이미지 생성 네트워크를 설계하여 다양한 장면의 서로 다른 도메인 간 이미지 특성 기술 매핑 관계를 학습하여 생성 이미지와 실제 이미지 간 차이성을 줄인다. 그 다음 다중 스케일 혼합 어텐션 인코더-디코더 네트워크를 설계하여 효율적인 특징 연결 및 어텐션 융합 메커니즘을 도입하여 네트워크가 이미지 국부 세부 영역을 향상시키는 능력을 높였다. 마지막으로 전역 도메인 연관 일관성 손실 함수를 제안하여 도메인 변환 과정의 각 단계에서 생성된 이미지의 내용 및 구조 일관성 연관성을 구축하여 네트워크 모델 파라미터를 더 잘 학습시키고 이미지 향상 품질을 높인다. 제안한 모델은 실제 수중 데이터셋 UIEB 및 EUVP에서 UIQM 및 UCIQE 지수 각각 3.1401, 0.6021과 3.0768, 0.6124의 정확도를 달성하였다. 실험 결과 모델이 수중 이미지 향상 품질을 효과적으로 개선하며 색상 복원이 더 자연스럽고 세부 향상 효과가 더 뚜렷함을 보였다.

수중 이미지 향상; 도메인 변환; 생성적 적대 신경망; 어텐션 향상