Diante de desvios severos de cor e ambientes subaquáticos altamente turvos que causam redução de contraste e perda de textura nas imagens, propõe-se uma rede de aprimoramento de imagens multiescala que funde os domínios espacial e frequencial por meio de aprendizado profundo. Por meio da fusão do mecanismo físico Retinex com características profundas multiescala, a interferência do ruído de espalhamento em águas turvas é eficazmente atenuada. Foi construído um mecanismo cooperativo de convolução híbrida e atenção espaço-frequência, incorporando uma estrutura de atenção de caminho duplo nas fases de codificação e decodificação da rede para capturar simultaneamente as características de ambos os domínios, aumentando a capacidade de modelagem em ambientes degradados complexos. Utilizando um mecanismo de fusão de núcleo seletivo adaptativo para refinar características semânticas profundas, realiza-se a reconstrução detalhada de texturas e a correção precisa de desvios de cor em ambientes complexos. Os resultados experimentais mostram que, em imagens de água turva com turbidez de 54,11 NTU sem desvio de cor, e com desvio verde e azul, o método proposto melhorou em média os índices PSNR em 0,464, 0,473 e 1,944 dB respectivamente, e reduziu o índice LPIPS em média 0,94%. Este método apresenta bons resultados no aprimoramento de imagens de água turva, podendo fornecer uma solução eficaz para a melhoria da qualidade visual de robôs subaquáticos.

visão computacional; aprimoramento de imagens subaquáticas; água turva; aprendizado profundo