基于质量感知域适应的水下图像增强质量评价

来源：信号处理杂志 2025年第2期北京时间：

作者：田芷欣, 姜求平

摘要：随着水下研究领域对高质量水下图像需求的不断增长，水下图像增强（underwater image enhancement，UIE）算法已经得到了广泛应用。为了评估这些水下增强图像的质量，研究者提出了一些水下图像增强质量评估（underwater image enhancement quality assessment，UIEQA）算法。然而，在已知水下场景上训练的UIEQA算法往往难以在未知水下场景中有效推广应用。此外，现有的UIEQA算法通常依赖于大量标注数据，而这些数据的获取通常非常困难且耗费资源。为了解决以上两个问题，本文提出了基于质量感知域适应的水下图像增强质量评价（quality-aware domain adaptation-based underwater image enhancement quality assessment，QaDA-UIEQA）算法。具体来说，该方法包括一个质量评价模块和一个质量感知域适应模块。首先，利用质量评价模块对源域数据进行有监督的质量评价训练，确保主任务的准确性。其次，质量感知域适应模块以文本信息为引导，利用跨注意力（cross attention，CA）模块从视觉特征信息中提取与质量特性相关的重要信息。随后，利用域适应技术缩小源域和目标域在质量特性上的差距，从而使得在已知水下场景上训练的模型能够有效泛化到未知的水下场景中。在SAUD+数据集上的实验结果表明，本文提出的方法相比于其他13种现有方法在四个关键性能指标上均取得了最优结果。其中，斯皮尔曼等级相关系数（spearman rank correlation coefficient，SRCC）相较于次优模型提升了8.5%。此外，消融研究证明我们提出的多模态方法对模型性能的提升具有显著作用。本文方法不仅在UIEQA上展现出卓越的性能，且在预测精度和组最大微分竞争的泛化能力上超越了其他对比方法。因此，QaDA-UIEQA具有更强的泛化性和鲁棒性，能在复杂的实际应用场景中保持高效稳定的表现。

关键词：水下图像增强, 质量评价, 域适应, 多模态, 卷积神经网络