LCS-Net:可学习的色彩校正和选择性的多尺度融合用于水下图像增强
1School of Computer Science and Technology, Zhejiang University of Science and Technology, Hangzhou 310023, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了LCS-Net,这是一种用于增强水下图像的轻量级AI框架. 它有效地纠正颜色造和恢复细节,使其适合在水下设备上的实时应用.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 水下图像由于光吸收和散射而遭受色彩扭曲和清晰度降低.
- 现有的基于学习的增强方法通常在计算上昂贵,这阻碍了它们在资源有限的平台上使用.
研究的目的:
- 为单个水下图像增强开发一个轻量级和高效的框架.
- 为了实现图像质量和实际部署的计算成本之间的平衡.
主要方法:
- 拟议的LCS-Net框架具有可学习的色彩校正模块 (LCCM) 以实现高效的色彩造补偿.
- 使用高效的倒置残余块与挤压和激发 (SE) 用于特征提取和细节回收.
- 整合了选择性多尺度扩展块 (SMSDB) 以适应性特征聚合和处理各种水下条件.
主要成果:
- 在UIEB上,LCS-Net的PSNR为26.46dB,SSIM为0.92,在EUVP上为28.71dB和0.86,LCS-Net实现了具有竞争力的性能.
- 与现有方法相比,展示了紧的模型尺寸和低计算成本.
- 强调了该框架在水下平台上的实际应用的潜力.
结论:
- LCS-Net为单个水下图像增强提供了有效的解决方案,具有有利的质量效率权衡.
- 轻量级设计使其适合在资源有限的水下系统上部署.
- 拟议的方法可以在各种水下退化场景中实现强大的性能.
