El entorno submarino presenta fenómenos complejos de atenuación y dispersión de la luz, lo que provoca una degradación notable en la calidad de las imágenes originales capturadas por los dispositivos de imagen. Los métodos de mejora de imágenes submarinas basados en aprendizaje profundo mejoran en cierta medida la calidad de las imágenes originales, pero la mayoría de los métodos existentes utilizan conjuntos de datos emparejados sintéticos o generados por modelos para el entrenamiento. Debido a una gran diferencia de distribución de datos entre las muestras de entrenamiento y las imágenes reales, es común que aparezcan fenómenos de sobremejora y eliminación insuficiente de desviaciones de color. Para abordar estos problemas, este documento propone un modelo de mejora de imágenes submarinas que fusiona la transferencia de dominio y el mecanismo de atención. Primero, se diseñó una red generadora de imágenes de transferencia de dominio que combina un modelo de formación de imagen física y un clasificador de tipo de agua, aprendiendo la relación de mapeo de descripciones características entre imágenes de diferentes dominios en diferentes escenarios, reduciendo la diferencia entre las imágenes generadas y las imágenes reales. Luego, se diseñó una red codificador-decodificador de atención mixta multiescala que, mediante la introducción de conexiones eficientes de características y un mecanismo de fusión de atención, mejora la capacidad de la red para potenciar las regiones de detalles locales de la imagen. Finalmente, se propuso una función de pérdida de coherencia de relaciones de dominio global que, construyendo la coherencia del contenido y la estructura de las imágenes generadas en las diferentes etapas del proceso de transferencia de dominio, entrena mejor los parámetros del modelo y mejora la calidad de la mejora de la imagen. El modelo propuesto obtuvo precisiones en los índices UIQM y UCIQE en los conjuntos de datos reales submarinos UIEB y EUVP de 3.1401, 0.6021 y 3.0768, 0.6124 respectivamente. Los resultados experimentales muestran que el modelo puede mejorar efectivamente la calidad de la mejora de imágenes submarinas, con una recuperación de color más natural y un efecto de mejora de detalles más evidente.

mejora de imágenes submarinas; transferencia de dominio; redes generativas antagónicas; mejora por atención