1. 导读

水下光学图像不可避免地受到各种退化因素的影响，如模糊、低对比度和颜色失真，这些因素阻碍了目标检测任务的准确性。由于缺乏成对的水下/干净图像，大多数研究方法采用先增强后检测的策略，导致两个学习任务之间缺乏特征交流。另一方面，由于水下图像退化因素多样与样本数量有限之间的矛盾，现有水下增强方法难以有效增强未知水体的退化图像，从而限制了目标检测精度的提高。因此，大多数水下目标探测结果仍然显示在退化的图像上，难以直观判断探测结果的正确性。针对上述问题，提出一种同时增强水下图像和提高检测精度的多任务学习方法。与单一任务学习相比，集成模型允许不同任务之间信息交流和共享的动态调整。由于真实水下图像只能提供带注释的目标标签，本文引入物理约束来保证目标检测任务不会干扰图像增强任务。因此，本文引入一个物理模块将水下图像分解为干净图像、背景光和透射图像，并使用一个物理模型来计算水下图像，用于自我监督。数值实验表明，与现有的比较方法相比，该模型在视觉性能、目标检测精度和检测效率方面取得了令人满意的结果。

标题：LUIEO: A Lightweight Model for Integrating Underwater Image Enhancement and Object Detection

作者：Bin Li, Li Li, Zhenwei Zhang, Yuping Duan

机构：North University of China、Shanxi University、Beijing Normal University

原文链接：https://arxiv.org/abs/2412.07009

代码链接：https://github.com/DrZhangZW/LUIEO

2. 效果展示

水下图像增强结果

水下目标检测结果

和其他SOTA方法的对比

3. 主要贡献

我们的主要贡献总结如下：

据我们所知，这是首个能够同时完成水下图像增强和目标检测任务的轻量级模型，其参数规模仅为45M。

本文开发了一个精细化的水下成像模型来模拟水下图像。各种水下模拟图像为模型增强提供了先验知识和物理指导，使网络能够利用物理约束进行自监督训练，并能使用更多的水下样本进行训练。推荐课程：。

所提出的模型有效地增强了各种退化图像，并在多个水下数据集上提高了检测精度。目标检测结果在增强后的图像上展示，与实际应用场景相符。数值结果表明，图像增强任务能够提高目标检测的准确性，与基线模型相比，mAP50指标提升了近5.7%，充分展示了图像增强与目标检测相结合的优势。

4. 方法

如图2所示，我们的轻量级网络架构主要由倒置残差模块和MobileNetV3组成。这些模块旨在以轻量级结构高效提取特征，降低计算复杂度和内存需求，使网络更适合移动设备。

6. 实验结果

7. 总结 & 未来工作

本文提出了一种将图像增强和物体检测集成到一个统一框架中的轻量化水下物体检测方法，旨在提高物体检测的准确性和实现视觉上吸引人的结果。经过改进的模拟公式为图像增强任务提供了宝贵的先验信息，使模型在各种类型的退化图像上具有良好的泛化能力。这使得物体检测模型可以利用增强后的特征图来提高检测准确性，并方便直观地评估检测性能。增强后的图像用于显示目标检测的结果，便于直观地观察和评估检测性能。此外，我们计划将该方法与全景分割任务集成，从而开发一个能够执行水下目标检测和图像分割的多任务模型。

对更多实验结果和文章细节感兴趣的读者，可以阅读一下论文原文~