Devido aos problemas de distorção de cores e perda de detalhes em imagens submarinas causados pela dispersão e absorção da água, foi proposto um modelo de rede adversarial generativa que integra informações multiescala e mecanismo de atenção para aprimorar imagens submarinas. Primeiramente, para aproveitar e reforçar plenamente as informações locais e globais da imagem, são utilizados codificadores locais e globais para extrair respectivamente características locais e globais da imagem, fundindo-as para alcançar complementaridade. Em seguida, foi projetada uma convolução mista multiescala para capturar informações em múltiplas escalas, aumentando a adaptabilidade da rede a características em diferentes escalas. Depois, um mecanismo de atenção é utilizado para aumentar a precisão da extração de características e fortalecer a atenção da rede em características de alto valor. Por fim, após reutilizar repetidamente a convolução mista multiescala e o mecanismo de atenção para refinar ainda mais as características, é realizado um upsampling progressivo para obter uma imagem aprimorada. Comparado a seis métodos clássicos e recentes, o modelo proposto não apenas alcançou a melhor percepção visual na avaliação subjetiva, mas também obteve pontuações médias de 22,499 para PSNR, 0,789 para SSIM, 2,911 para UIQM e 4,175 para NIQE em todo o conjunto de testes, superando os seis métodos comparativos, com melhorias de 0,353, 0,002, 0,025 e 0,307, respectivamente, sobre os melhores valores entre os métodos comparativos. Isso comprova que o modelo proposto não só pode corrigir a distorção de cores das imagens, mas também apresenta bom desempenho na recuperação de detalhes, aumento do contraste e nitidez das imagens, mostrando boas perspectivas de aplicação.

Aprimoramento de imagens submarinas; Rede adversarial generativa; Codificador; Convolução mista multiescala; Mecanismo de atenção