DOI: https://doi.org/10.3389/fmars.2025.1725829
تاريخ النشر: 2026-01-05
المؤلف: Gaosheng Luo وآخرون
الموضوع الرئيسي: تقنيات تحسين الصور
نظرة عامة
تقدم البحث خوارزمية جديدة خفيفة الوزن للتعزيز، تُسمى UIVE، مصممة لتحسين الصور والفيديوهات تحت الماء المتأثرة بامتصاص الضوء وتشتته. تستخدم الخوارزمية بشكل مبتكر مزيجًا ديناميكيًا من تقليل العينة وزيادتها من خلال اتصالات القفز متعددة المقاييس، مما يحافظ على التفاصيل متعددة المقاييس بينما تستبدل طبقة التطبيع الجماعي (BN) بكتل متبقية لتقليل التعقيد الحسابي. كما تم دمج وحدة تصحيح سطوع تكيفية لمعالجة مشاكل تقليل السطوع بعد التحويل غير الخطي. تشير النتائج التجريبية إلى أن UIVE تحقق نسبة ذروة الإشارة إلى الضوضاء (PSNR) تبلغ 18.57 ديسيبل ومقياس مؤشر التشابه الهيكلي (SSIM) يبلغ 0.91 على مجموعة بيانات UIEB، مما يظهر فعالية كبيرة في تصحيح الألوان وإعادة إنتاج التفاصيل.
في الختام، يسمح تصميم UIVE، بحجم نموذج مضغوط يبلغ 0.08 ميغابايت، بمعالجة في الوقت الحقيقي بمعدل 36.23 إطارًا في الثانية (FPS) بدقة 640×480 بكسل، مما يجعلها مناسبة للنشر على الأنظمة المدمجة في المركبات تحت الماء المستقلة (AUVs) والمركبات التي يتم تشغيلها عن بُعد (ROVs). يتم التحقق من أداء الخوارزمية من خلال تجارب الإزالة، التي تظهر تحسينًا بنسبة 12.27% في السطوع بسبب الوحدة التكيفية. ومع ذلك، تعترف الدراسة بالقيود في التعامل مع المشاهد تحت الماء المعقدة، خاصة في البيئات العميقة، وتؤكد على الحاجة إلى مجموعات بيانات مرجعية أكثر تحديًا وطرق تعزيز مصممة خصيصًا للبحث المستقبلي من أجل تقدم تكنولوجيا الرؤية تحت الماء.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لتكنولوجيا التصوير تحت الماء في عمليات البنية التحتية البحرية، مثل فحص الأنابيب والملاحة بواسطة AUV. تؤكد على التحديات التي تطرحها البيئات البصرية تحت الماء، بما في ذلك التوهين الكبير للضوء والتشتت، مما يؤدي إلى تدهور جودة الصورة التي تتسم بتشويه الألوان وفقدان التفاصيل. تعقد هذه القضايا تقييم السلامة الهيكلية في مشاريع الهندسة البحرية، مما يثير الحاجة إلى تقنيات متقدمة لتعزيز الصور تحت الماء.
تناقش الورقة طرق تعزيز مختلفة، بما في ذلك الطرق المدفوعة بالنماذج الفيزيائية التي تصف بشكل كمي نقل الضوء تحت الماء، والطرق غير المدفوعة بالنماذج الفيزيائية التي تتلاعب بميزات الصورة، والطرق المدفوعة بالبيانات التي تستخدم التعلم الآلي. كما يتم الإشارة إلى التقدمات الأخيرة في مهام الرؤية تحت الماء، مثل توليد الصور المدركة دلاليًا وتقنيات تعويض الألوان. ومع ذلك، فإن العديد من الطرق الحالية معقدة وتستهلك موارد حسابية كبيرة، مما يجعلها غير مناسبة للتطبيقات في الوقت الحقيقي في البيئات ذات الموارد المحدودة. لمعالجة ذلك، تقترح الدراسة نموذج معالجة هجين يجمع بين مزايا النماذج المدفوعة بالبيانات والنماذج الفيزيائية، بهدف تحقيق تحسين بيانات بصرية عالية الجودة في الوقت الحقيقي. تشمل المساهمات الرئيسية إطار عمل جديد للتعلم العميق لتحسين الصور تحت الماء، وتحسين بنية ESRGAN لتقليل التعقيد الحسابي، وتنفيذ خوارزمية ضبط سطوع تكيفية لتعزيز الراحة البصرية.
نقاش
ت outlines قسم النقاش في الورقة البحثية مختلف الأساليب لتعزيز الصور تحت الماء، المصنفة إلى طرق قائمة على النماذج الفيزيائية، وطرق غير قائمة على النماذج الفيزيائية، وطرق مدفوعة بالبيانات. تستفيد الأساليب القائمة على النماذج الفيزيائية من النماذج الرياضية المستندة إلى البصريات تحت الماء، مثل نموذج القناة المظلمة (DCP) ونماذج التشتت الجوي، لتحسين وضوح الصورة ووفاء الألوان. تشمل المساهمات البارزة طريقة He et al. لإزالة الضباب من صورة واحدة باستخدام DCP، وإطار العمل الإحصائي لـ Drews et al. لتعزيز الألوان والتباين، وإطار العمل متعدد المراحل لـ Song et al. الذي يدمج معلومات العمق لتحسين تقدير النفاذية. تظهر هذه الطرق تقدمًا كبيرًا في معالجة التحديات مثل الضباب وتشويه الألوان في الصور تحت الماء.
في المقابل، تركز الطرق غير القائمة على النماذج الفيزيائية على تعزيز وضوح الصورة من خلال تعديلات قيم البكسل دون الاعتماد على عمليات بصرية محددة. توضح تقنيات مثل نموذج التحسين المتغير لـ Fu et al. وطريقة LAB-MSR لـ Zhang et al. استراتيجيات فعالة لتصحيح الألوان وتعزيز التباين. تزداد أهمية الأساليب المدفوعة بالبيانات في السنوات الأخيرة، حيث تستخدم مجموعات بيانات واسعة وهياكل الشبكات العصبية لتعلم وتحسين الجودة البصرية. تمثل شبكات Water-Net وUColor متعددة الأنماط لـ Liu et al. هذه الاتجاه، على الرغم من أنها تواجه تحديات تتعلق بالتعقيد الحسابي ونقص البيانات. بشكل عام، تؤكد الورقة على أهمية هذه المنهجيات المتنوعة في تقدم معالجة الصور تحت الماء، مما يؤدي إلى نموذج UIVE المقترح، الذي يدمج تقنيات متنوعة لتحسين جودة الصورة بشكل فعال.
DOI: https://doi.org/10.3389/fmars.2025.1725829
Publication Date: 2026-01-05
Author(s): Gaosheng Luo et al.
Primary Topic: Image Enhancement Techniques
Overview
The research presents a novel lightweight enhancement algorithm, termed UIVE, designed to improve underwater images and videos affected by light absorption and scattering. The algorithm innovatively employs a dynamic combination of downsampling and upsampling through multiscale jump connections, which preserves multi-scale detail while replacing the batch normalization (BN) layer with residual blocks to reduce computational complexity. An adaptive brightness correction module is also integrated to address brightness reduction issues post-nonlinear mapping. Experimental results indicate that UIVE achieves a Peak Signal-to-Noise Ratio (PSNR) of 18.57 dB and a Structural Similarity Index Measure (SSIM) of 0.91 on the UIEB dataset, demonstrating significant effectiveness in color correction and detail reproduction.
In conclusion, UIVE’s design, with a compact model size of 0.08MB, allows for real-time processing at 36.23 frames per second (FPS) at a resolution of 640×480 pixels, making it suitable for deployment on embedded systems in Autonomous Underwater Vehicles (AUVs) and Remotely Operated Vehicles (ROVs). The algorithm’s performance is further validated through ablation experiments, which show a 12.27% enhancement in luminance due to the adaptive module. However, the study acknowledges limitations in handling complex underwater scenes, particularly in deepwater environments, and emphasizes the need for more challenging benchmark datasets and tailored enhancement methods for future research to advance underwater vision technology.
Introduction
The introduction of this research paper highlights the critical role of underwater imaging technology in marine infrastructure operations, such as pipeline inspections and AUV navigation. It emphasizes the challenges posed by underwater optical environments, including significant light attenuation and scattering, which lead to degraded image quality characterized by color distortion and loss of detail. These issues complicate the assessment of structural integrity in marine engineering projects, prompting the need for advanced underwater image enhancement techniques.
The paper discusses various enhancement approaches, including physical model-driven methods that quantitatively describe underwater optical transmission, non-physical model-based methods that manipulate image features, and data-driven methods utilizing machine learning. Recent advancements in underwater vision tasks, such as semantic-aware image generation and color compensation techniques, are also noted. However, many existing methods are complex and computationally intensive, making them unsuitable for real-time applications in resource-constrained environments. To address this, the study proposes a hybrid processing model that combines the strengths of data-driven and physical models, aiming for real-time, high-quality visual data enhancement. The main contributions include a novel deep learning framework for underwater image enhancement, optimization of the ESRGAN architecture to reduce computational complexity, and the implementation of an adaptive brightness adjustment algorithm to enhance visual comfort.
Discussion
The discussion section of the research paper outlines various approaches to underwater image enhancement, categorized into physical model-based, non-physical model-based, and data-driven methods. The physical model-based approaches leverage mathematical models grounded in underwater optics, such as the dark channel prior (DCP) and atmospheric scattering models, to improve image clarity and color fidelity. Notable contributions include He et al.’s method for single-image defogging using DCP, Drews et al.’s statistical framework for color and contrast enhancement, and Song et al.’s multi-stage optimization framework that integrates depth information for better transmittance estimation. These methods demonstrate significant advancements in addressing challenges like fog and color distortion in underwater imagery.
In contrast, non-physical model-based methods focus on enhancing image visibility through pixel value adjustments without relying on specific optical processes. Techniques such as Fu et al.’s variational optimization model and Zhang et al.’s LAB-MSR method illustrate effective strategies for color correction and contrast enhancement. Data-driven approaches, increasingly prominent in recent years, utilize extensive datasets and neural network architectures to learn and improve visual quality. Liu et al.’s Water-Net and UColor multimodal networks exemplify this trend, although they face challenges related to computational complexity and data scarcity. Overall, the paper emphasizes the importance of these diverse methodologies in advancing underwater image processing, culminating in the proposed UIVE model, which integrates various techniques to enhance image quality effectively.