Подводная среда характеризуется сложным затуханием и рассеянием света, что приводит к существенному ухудшению качества исходных изображений, снятых оборудованием. Методы улучшения подводных изображений на основе глубинного обучения в определённой степени повышают качество исходных изображений, но большинство существующих методов обучаются на искусственно синтезированных или моделируемых парных наборах данных. Из-за значительной разницы в распределении данных между обучающими примерами и реальными изображениями часто возникают проблемы с чрезмерным улучшением и недостаточным устранением цветовых искажений. В связи с этим в статье предложена модель улучшения подводных изображений, объединяющая перенос домена и механизм внимания. Во-первых, разработана сеть генерации изображений переноса домена, которая сочетает физическую модель формирования изображения и классификатор типов воды для изучения отображения характеристик между изображениями разных доменов в различных сценах, уменьшая различия между сгенерированными и реальными изображениями. Затем разработана многомасштабная смешанная сеть кодирования-декодирования с вниманием, которая за счёт эффективных связей признаков и механизма слияния внимания повышает способность сети улучшать локальные детали изображения. В заключение предложена функция потерь согласованности глобальных доменных связей, которая конструирует согласованность содержимого и структуры изображений, сгенерированных на разных этапах переноса домена, для лучшей тренировки параметров модели и улучшения качества улучшенных изображений. Предложенная модель показала точность по метрикам UIQM и UCIQE на реальных подводных наборах данных UIEB и EUVP соответственно 3.1401, 0.6021 и 3.0768, 0.6124. Экспериментальные результаты показывают, что модель эффективно улучшает качество подводных изображений, цвет восстанавливается более естественно, детали усиливаются заметнее.

улучшение подводных изображений; перенос домена; генеративно-состязательные сети; усиление внимания