수중 공간에서의 비균일 퇴화를 동적으로 인지하기 위해 이방성 특징을 추출하는 동적 조정 Transformer 모듈을 인코더에 설계하고, 공간적 컨텍스트 세부정보 향상 및 전역 색상 복원을 구현하여 수중 흡수 및 산란으로 인한 이미지 색상 왜곡, 대비 부족 및 스케일 의존 블러 문제를 해결하기 위해 동적 인지와 점진적 세분화를 융합한 U자형 수중 이미지 향상 네트워크를 제안한다. 디코더에서는 팽창 합성곱 집합 모듈과 점진적 의미 유도 업샘플링 모듈로 구성된 점진적 세분화 아키텍처를 구축한다. 팽창 합성곱 집합 모듈은 단계적 팽창 전략을 활용해 다중 스케일 컨텍스트 특징을 포착하고, 채널 셔플링 및 잔차 주의 메커니즘을 통합해 흐릿한 영역 재구성을 최적화하여 이미지의 전체 대비 및 색상 충실도를 향상시킨다. 점진적 의미 유도 업샘플링 모듈은 캐스케이드식 그래디언트 유지 전략을 채택해 고주파 세부 손실을 보상하며, 심층 의미 재구성과 얕은 세부 최적화 사이의 동적 균형을 이룬다. 다섯 개의 공개 데이터셋에서 9가지 최첨단 알고리즘과의 비교 결과, 제안 방법은 UIEB 및 LSUI 데이터셋에서 PSNR, SSIM, MSE 지표 모두 최적의 성능을 보였다. 차선 방법 대비 UIEB에서 PSNR과 SSIM이 각각 1.47%, 1.26% 향상되고 MSE가 8.33% 감소했으며, LSUI에서는 PSNR과 SSIM이 각각 14.51%, 6.92% 향상되고 MSE가 45.00% 감소했다. 또한 UCCS, U45, C60 비참조 데이터셋에서도 본 방법은 UCIQE 지표에서 최상의 결과를 달성했다. 이러한 결과는 색 편향 보정, 대비 향상 및 세부 복원에서 제안 방법의 우수성을 입증하며 고급 시각 작업에 고품질 이미지 입력을 제공할 수 있음을 보여준다.

수중 이미지 향상;주의 메커니즘;동적 인지;점진적 세분화;색상 보정;특징 융합