UIEC^2-Net：双色彩空间耦合，重塑水下视觉的自然之美

TL;DR

水下成像由于光线的选择性吸收和散射，往往呈现出令人沮丧的“蓝绿色调”。传统的 CNN 方法由于过于依赖 RGB 空间，在调节亮度和饱和度时显得力不从心。本文提出的 UIEC^2-Net 是首个在深度学习架构中深度整合 HSV 色彩空间 的水下图像增强模型。通过“像素级修复 + 全局曲线调节 + 注意力融合”的三阶战术，它显著提升了图像的清晰度与色彩真实感。

1. 痛点：为什么 RGB 拯救不了水下世界？

大多数深度学习模型把图像增强看作是单纯的像素映射，通常在 RGB 空间内打转。但在水下场景中：

• RGB 的局限：R、G、B 通道高度耦合，很难在不改动颜色的情况下单独调整亮度。
• 物理特性丧失：水下图像最核心的问题是对比度低、饱和度缺失。在 HSV（Hue, Saturation, Value）空间中逻辑极其简单的操作（如拉伸 V 通道提升亮度），在 RGB 中需要复杂的非线性变换。
• 泛化能力弱：仅靠 RGB 特征提取的模型，在面对不同浊度的绿色或蓝色水域时，往往会出现严重的背景色残留。

2. 核心架构：UIEC^2-Net 的三阶融合

UIEC^2-Net 的设计哲学是“分而治之”，其架构图如下所示：

第一阶段：RGB 像素级块 (RGB Pixel-level Block)

这是一个纯粹的 CNN 结构，不包含下采样操作以保留精细的纹理。它的主要职责是“粗加工”：负责图像去噪、初步去除色偏。虽然它能解决大部分问题，但在极端色偏背景前依然有些无力。

第二阶段：HSV 全局调节块 (HSV Global-adjust Block)

这是本文的 灵魂设计。模型将第一阶段的预测结果转为 HSV 空间，通过一个轻量级网络学习 分段线性缩放曲线 (Piece-wise Linear Curve)。

• 物理直觉：通过学习 4 条特定曲线，分别调整基于 Value 的亮度、基于 Saturation 和 Hue 的饱和度，以及基于 Hue 的色彩微调。
• 数学实现：公式 (1) 定义了如何通过预测的“节点点”生成调节曲线，这比直接预测像素值更能保持全局色调的连贯性。

第三阶段：注意力映射映射 (Attention Map Block)

由于 HSV 空间的 H 通道极度敏感，强行调节可能导致局部色彩扭曲。注意力模块通过输入原始图、RGB 块输出和 HSV 块输出，学习一个像素级的权重图，自动决定最终图像在该像素点应该更倾向于谁的方案。

3. 实验战绩：全方位的跨越

作者在合成数据集和包含绿、蓝、黄等 5 种典型水下环境的真实数据（UIEBD）上进行了测试。

定量分析

如下表所示，UIEC^2-Net 在 PSNR (24.57) 和 SSIM (0.93) 上展现了压倒性的优势，比现有的 DUIENet 和 UGAN 表现更稳健。

定性视觉对比

在处理低照度（Figure 8）和强绿色背景（Figure 7）时，UIEC^2-Net 不仅去除了水下那层“雾霭”，更难得的是找回了因红光吸收而丢失的对比度，且没有产生 GAN 方法常见的伪影。

4. 深度洞察

为什么有效？

UIEC^2-Net 的成功在于它尊重了 Image Signal Processing (ISP) 的经典逻辑。纯神经网络往往难以学习复杂的全局光照映射，而将 HSV 作为一种强先验引入，等同于为网络提供了一套“调色板”。

局限性与展望

尽管模型轻量且有效，但注意力机制在处理极度浑浊（Turbid）的水域时，权重分配逻辑仍有提升空间。此外，这种多色彩空间的思路，未来完全可以应用到医学影像（如胃镜图像增强）或者航拍除雾等类似任务中。

5. 总结 (Takeaway)

• 核心贡献：首次在深度增强网络中集成可微的 HSV 转换与曲线调节。
• 启示：底层视觉任务不应只追求网络加深，跨色彩空间的特征表征可能比增加残差块更直接有效。