中国科学院合肥物质科学研究院王汝晶教授领导的研究人员开发了一种简单有效的水下图像增强多尺度特征调制网络。

他们的学习，发表在沙特国王大学学报——计算机与信息科学，解决改进的挑战图像质量在水下环境中，同时考虑低内存设备的局限性计算能力。

高质量图像对于许多水下应用非常重要，包括渔业监测以及环境和物种保护。然而，大多数基于深度学习的水下图像增强网络并不适合内存和计算能力有限的水下设备平台。这种冲突对提高水下图像的质量提出了重大挑战。

本研究中的方法被称为简单而有效的多尺度特征调制网络（MFMN），在模型效率和重建性能之间实现了更好的权衡。

“关键部分是多尺度调制模块和通道混合模块。”团队成员王六三博士说。

通过结合类似于视觉变压器的多尺度调制模块，网络从输入图像中提取特征并动态选择图像空间中的代表性特征。

为了解决通道特征信息的缺乏，引入通道混合模块来增强空间视角。

实验结果表明，MFMN方法显着降低了网络与现有技术相比，参数减少了 8.5 倍。尽管尺寸较小，但该方法以较低的计算成本实现了相似的性能。

这些结果对水下渔业监测和环境保护据该团队称。

更多信息：Shijian Cheng 等人，一种用于高效水下图像增强的多尺度特征调制网络，沙特国王大学学报——计算机与信息科学（2023）。DOI：10.1016/j.jksuci.2023.101888