《Computer Vision and Image Understanding》：Underwater image quality evaluation via deep meta-learning: Dataset and objective method
編輯推薦：
為解決水下圖像質量評估（UIQA）缺乏可靠數據、現有方法預測精度低等問題，研究人員構建 DART2024 數據集并提出基于多尺度深度元學習的 UIQA 方法。實驗表明該方法在多方面優于現有方法，為水下圖像質量評估提供新方案。
在神秘的水下世界，水下圖像對于海洋生態探索和目標識別至關重要。然而，復雜的水下環境就像一個 “搗亂分子”，給圖像采集帶來諸多麻煩。水質、光照和成像設備等因素，讓水下圖像常常出現低對比度、模糊、霧化、亮度不均和顏色映射不一致等問題。這些問題導致圖像信息丟失，嚴重影響后續的分析和實際應用。比如，在海洋生物研究中，模糊不清的圖像可能會讓科研人員難以準確識別生物種類。
為了提升水下圖像的質量，人們提出了許多水下圖像增強（UIE）算法。但新的難題又出現了，如何公平地比較不同 UIE 算法的性能，以及準確評估增強結果的質量呢？目前的圖像質量評估（IQA）方法分為主觀評估和客觀評估。主觀評估雖然最能反映圖像對視覺效果的影響，卻耗費大量人力且效率低下，無法滿足現代應用場景的即時性和成本效益需求�？陀^評估方法旨在模擬人類視覺系統的感知特征，能夠在無人干預的情況下實時分析大量圖像數據，實用性更強。
客觀 IQA 方法主要分為全參考 IQA（FR-IQA）、減少參考（RR-IQA）和無參考 IQA（NR-IQA）三類。在實際水下場景中，獲取清晰、無失真的參考圖像幾乎是不可能的，所以 NR-IQA 方法成為評估水下圖像質量的理想選擇。但現有 NR-IQA 方法大多針對自然圖像，在水下圖像上的預測精度面臨巨大挑戰。這是因為水下獨特的光傳播模式，如吸收和散射，會導致自然圖像中不存在的顏色失真、模糊和對比度降低等現象。此外，水下圖像質量評估（UIQA）研究還面臨兩大挑戰：一是缺乏大規模水下圖像數據集，現有的數據集規模有限，無法全面深入地驗證 UIQA 方法；二是水下成像環境復雜，傳統手工特征難以表征多維退化模式，水下場景的豐富性和可變性也降低了現有 UIQA 方法的泛化性和靈活性。
為了解決這些問題，國內的研究人員開展了深入研究。他們構建了 DART2024 數據集，并提出了一種基于多尺度深度元學習的 UIQA 方法。這一研究成果發表在《Computer Vision and Image Understanding》上，具有重要意義。它為水下圖像質量評估提供了更可靠的數據集和更有效的評估方法，推動了水下圖像相關領域的發展。
研究人員在開展研究時，用到了以下幾個主要關鍵技術方法：首先，通過應用相應的梯度圖對水下圖像進行加權處理，突出關鍵細節；其次，構建包含信息感知模塊、信息融合模塊和質量預測模塊的多尺度深度神經網絡，從 RGB 圖像及其梯度增強圖像中提取視覺和結構特征；最后，基于元學習技術設計優化的元學習框架，使模型能夠快速適應未知失真。
下面來看具體的研究結果：
- DART2024 數據集：該數據集包含 1000 張原始水下圖像和 10000 張由 10 種常見 UIE 方法生成的失真水下圖像，涵蓋了不同深度、光照條件和多種水下景觀，內容豐富全面。并且，為每張圖像提供了相應的質量分數，為后續研究提供了可靠的基準。
- UIQA 方法：
- 圖像預處理：對水下圖像進行預處理，獲得相應的梯度增強圖像，通過加權處理突出關鍵細節。
- 特征提取與融合：利用信息感知模塊從 RGB 圖像和梯度增強圖像中提取特征，信息融合模塊對這些特征進行多尺度整合。
- 質量預測：質量預測模塊通過非線性回歸將特征轉換為具體的質量分數。
- 元學習框架：基于元學習技術設計的優化元學習框架，使模型能夠快速適應未知失真，在復雜水下環境中實現對圖像質量的準確預測。
在研究結論和討論部分，研究人員構建的 DART2024 數據集數量大且覆蓋廣泛的實際水下場景，為后續研究奠定了堅實基礎。提出的 UIQA 方法通過圖像預處理和基于多尺度深度神經網絡及元學習框架的設計，在準確性、穩定性和收斂速度方面優于現有 IQA 方法。不過，該研究也存在一定局限性。但總體而言，這項研究為水下圖像質量評估領域開辟了新的道路，無論是數據集的構建還是評估方法的創新，都為后續研究提供了重要的參考和方向，有望推動水下圖像相關技術在更多領域的應用和發展。
