来源：海洋论坛▏一种基于双通道的水下图像增强卷积神经网络
当前不会的
一、背景：
水下图像增强方法包含有无水下成像模型的水下图像增强方法、基于水下成像模型的水下图像恢复方法、水下成像模型与深度学习相结合的方法以及完全采用深度学习的方法。
其中水下成像模型与深度学习相结合的方法是通过深度学习的方法来近似估计水下成像模型中的主要参数。在深度学习的方法中，数据集的多场景化和大小、网络结构、损失函数、训练策略的选择是优化的主要内容。文中主要在网络结构以及损失函数方面进行考量，建立了一种基于双通道的水下图像增强卷积神经网络。区别于其他基于深度学习网络的是，编码器模块采用双通道结构：细节特征提取通道和语义特征提取通道。试验表明：此网络显著改善了水下图像质量
二、模型介绍：
1.主要结构：
细节特征提取通道中的密集连接后又引入高效注意力机制，使网络自适应关注特征的权重。 细节提取模块分为两个模块：密集连接模块和高效注意力模块。高层语义提取模块就是多尺度高层语义提取模块。然后，引入了残差注意力模块和自适应融合模块优化特征，将优化后的特征送入解码器进行清晰图像的重建。解码器采用卷积激活串联结构。
1.1 细节特征提取通道：
1.1.1 密集连接块
密集连接DenseNet：为了最大化网络中所有卷积模块和相关层之间的信息流，将所有卷积模块两两之间都进行了连接，使得网络中的每个模块都接受其前面所有层的特征作为输入。
下方展示采取的密集连接块（一共包含4个提取细节特征的卷积块）
1.1.2 高效通道注意力机制模块
注意力机制是深度学习中改善模型提取特征的一种优化方法，让网络在优化的过程中，自适应地关注密集连接网络提取的不同特征的权重，从而更好地提取水下图像的细节特征。
本文采用2020年Wang等提出的高效通道注意力模块，该模块避免了降维，有效实现了跨通道交互。
1.2 语义特征提取通道：
语义特征提取通道采用多尺度结构。网络引入了残差注意力模块和自适应融合模块，既弥补了网络在前期传播过程中原始信息的丢失，又对特征进行了优化。此外，文中将像素损失、感知损失与复频域损失相结合进行网络的训练，取得了良好的效果。
原始水下图像首先经过卷积激活操作得到64个通道的特征图，然后经过3次下采样（池化）操作得到不同尺度大小的特征图，经过下采样后的特征丢失了大量的细节信息，每个尺度的特征接着经过卷积激活操作进行特征通道数的转换，既丰富了深度语义信息的提取，又方便了上采样操作后特征的融合，最后将不同尺度的特征在通道维度拼接，得到带有高层语义特征的一组特征图。
1.2.1残差注意力模块和自适应融合模块
2.激活函数选取
常见的激活函数主要有修正线性单元（ReLU）、带参数的修正线性单元（LeakyReLU）和Sigmoid函数。本文注意力机制中权重特征图的计算采用Sigmoid函数。
3.损失函数
本文使用图像的复频域损失。复频域损失利用图像的快速傅里叶变换，得到图像在复频域中的特征图，然后定义了两幅图像之间的复频域损失，并结合均方差损失、感知损失来训练搭建的双通道水下自编码器图像增强网络。
三、训练与结果分析：
1.训练过程：
训练过程：试验中的数据集为UIEB数据集，该数据集收集了大量真实水下场景中拍摄到的图像，一共890对，选取该数据集挑战集中60张留做训练好的模型的测试集。训练网络模型参数过程中训练集和验证集的比为7∶3。
损失函数训练过程中总体减少，说明逐步逼近真实图像，无梯度爆炸，网络结构可靠
2.视觉效果分析：见原文图片
3.客观指标分析：见原文表格比对
4.算法迁移能力分析：做法为在非训练数据集EUVP上选取图片进行测试和对比分析
5.水下目标特征点匹配测试：
5.消融试验与对比实验：
另外，为了验证网络中密集连接和高效注意力模块的细节提取功能，做了对比试验，结果如图12所示，第1行至第3行分别为原始水下图像、没有细节分支时的结果和文中网络的结果。容易得出，虽然没有细节分支时，网络也去除了水下图像的一些噪声，但是得到的结果图边缘特征模糊，色彩失真严重，缺乏水下图像较好的细节信息，从而验证了文中网络中细节分支对水下图像的细节提取起到了一定的促进作用。
