技术交底书
由 AI 在 2026-05-19 14:31 完成初次解析，经 2 轮修订
本发明涉及图像处理领域，具体涉及一种基于深度学习的水下图像增强方法及装置。
水下图像由于受到水体吸收、散射等物理因素影响，普遍存在颜色失真（偏蓝/绿）、对比度低、清晰度差等问题。 现有方法主要包括基于物理模型的方法（如水下成像模型）和基于学习的方法，但前者依赖手工设计的参数， 泛化能力差；后者多采用单一损失函数，难以同时兼顾颜色还原与细节增强。
如何同时实现水下图像的颜色校正与对比度增强，并在不同采集深度下保持稳定的处理质量。
通过自适应特征提取模块对水下图像进行多尺度特征提取， 并将特征图输入到包含颜色校正子网络与对比度增强子网络的增强网络模型； 两个子网络在训练阶段共享底层卷积权重并通过加权融合损失函数联合优化。 推理阶段根据图像采集深度自动调整色温补偿参数。
实施例 1浅水场景（0-5m）
使用 ResNet-18 作为底层特征提取器，多尺度因子 [1, 0.5, 0.25]，色温补偿系数 1.0。 在 EUVP 数据集上 PSNR 提升 3.8 dB，UIQM 达到 3.21。
实施例 2中深水场景（5-30m）
启用色温补偿（系数 1.4-1.8），加入色彩饱和度损失项。在自采数据集上对比度提升 42%， 主观评分 MOS 提升 0.6。
实施例 3深水低光场景（>30m）
在原方案基础上增加低光增强分支，使用合成数据预训练 + 真实数据微调。 NIQE 指标降低 18.3%。
1) 通过双子网络共享权重 + 联合损失，同时实现颜色校正与对比度增强，避免传统两阶段方法的误差累积；
2) 引入深度自适应色温补偿，提升在不同水深条件下的泛化能力；
3) 多尺度特征提取兼顾全局色调与局部细节，实施例显示 PSNR 平均提升 3.8 dB。
⚙ AI 建议标记的内容，是 AI 基于材料推理得出，不是原文直接提取，请重点核对。
! 还有 2 项缺失信息
- 对比实验数据（影响创造性论证）
- 替代/等同实施方式（影响保护范围）
本交底书的引用来源
AI 建议字段（紫色框）将高亮显示。
确认交底书后才会进入权要生成流程。