[논문 리뷰] Advancing Visual Reliability: Color-Accurate Underwater Image Enhancement for Real-Time Underwater Missions

Yiqiang Zhou, Yifan Chen외 4명|arXiv (Cornell University)|2026. 03. 17.

Image Enhancement Techniques인용 수 0

한 줄 요약

경량 해저 이미지 개선 프레임워크가 적응형 색상 복원(AWCC), 다중 분기 재매개변수 확장 합성(MRDConv), 및 글로벌 색상 보정(SGCA)을 통해 eightdatasets에서 실시간 성능(409 FPS, 3,880 파라미터)과 최첨단 색 재현성을 달성합니다.

ABSTRACT

Underwater image enhancement plays a crucial role in providing reliable visual information for underwater platforms, since strong absorption and scattering in water-related environments generally lead to image quality degradation. Existing high-performance methods often rely on complex architectures, which hinder deployment on underwater devices. Lightweight methods often sacrifice quality for speed and struggle to handle severely degraded underwater images. To address this limitation, we present a real-time underwater image enhancement framework with accurate color restoration. First, an Adaptive Weighted Channel Compensation module is introduced to achieve dynamic color recovery of the red and blue channels using the green channel as a reference anchor. Second, we design a Multi-branch Re-parameterized Dilated Convolution that employs multi-branch fusion during training and structural re-parameterization during inference, enabling large receptive field representation with low computational overhead. Finally, a Statistical Global Color Adjustment module is employed to optimize overall color performance based on statistical priors. Extensive experiments on eight datasets demonstrate that the proposed method achieves state-of-the-art performance across seven evaluation metrics. The model contains only 3,880 inference parameters and achieves an inference speed of 409 FPS. Our method improves the UCIQE score by 29.7% under diverse environmental conditions, and the deployment on ROV platforms and performance gains in downstream tasks further validate its superiority for real-time underwater missions.

연구 동기 및 목표

• 흡수와 산란으로 인한 해저 이미지의 색 왜곡 및 품질 저하를 해결한다.
• 색 재현성을 보존하면서 해저 플랫폼에서 실-time 배치를 가능하게 하는 경량 UIE 프레임워크를 개발한다.
• Adaptive Weighted Channel Compensation으로 녹색 채널을 기준으로 적색/청색 채널을 동적으로 보정하는 방식을 도입한다.
• 다중 분기 재매개변수 확장 합성 MRDConv를 도입해 효율적인 추론으로 다중 스케일 특징을 포착한다.
• 통계적 글로벌 색상 보정 모듈(SGCA)을 적용해 통계적 사전분포를 기반으로 글로벌 색상 특성을 다듬는다.

제안 방법

• Adaptive Weighted Channel Compensation(AWCC)는 녹색 채널을 기준으로 적색 및 청색 채널을 학습 가능한 가중치로 동적으로 보정한 다음, 밝기를 안정시키기 위한 Gray World 기반 2차 보정을 수행한다.
• Multi-branch Re-parameterized Dilated Convolution(MRDConv)은 다섯 개의 평행 분기를 사용해 학습 중 수용 영역을 확장하고 추론 시 단일 5x5 합성곱으로 축소하여 효율성을 높인다.
• Statistical Global Color Adjustment(SGCA)는 글로벌 통계적 사전(평균, 표준편차, 밝고 어두운 영역의 통계)을 추출하고 경량 MLP를 통해 색온도, 색조, 채도 보정을 예측한다.
• 프레임워크는 AWCC, MRDConv, SGCA를 파이프라인으로 결합해 높은 재현성의 복원과 낮은 계산 오버헤드를 달성한다.
• 구성 손실은 Charbonnier 손실, PSNR 손실, perceptual 손실(VGG-19), 색상 일관성 손실로 이루어져 구조, 충실도 및 색 정확도를 최적화하도록 균형 있게 사용된다.

실험 결과

연구 질문

• RQ1 실시간 제약 하에 해저 임무를 위한 경량 UIE 모델이 높은 색 재현성과 구조적 품질을 달성할 수 있는가?
• RQ2 AWCC, MRDConv, SGCA가 색상 복원과 질감 세부에 개별적으로 또는 공동으로 기여하는 바는 어떠한가?
• RQ3 제안된 방법이 다중 해저 데이터셋에 일반화되고 실제 플랫폼에서 다운스트림 작업(예: 분할)을 지원하는가?
• RQ4 다양한 카메라 모델과 환경 조건에서 색상 복원이 ground-truth에 얼마나 근접하는가(CIEDE2000과 같은 색 정확도 지표)?

주요 결과

• 제안 방법은 GPU에서 409 FPS의 실시간 추론을 달성하며 파라미터는 3,880개에 불과하다(모델 크기 0.01 MB).
• 다양한 조건에서 UCIQE에서 29.7%의 색상 복원 향상을 포함한 상당한 색상 복원 개선을 제공한다.
• 여덟 개 데이터세트에 걸쳐 일곱 개 평가 지표에서 최신 수준의 성능을 달성하고, 경쟁력 있는 경량 모델 대비 PSNR에서 약 1.2 dB 개선과 같은 향상을 보고한다.
• 교차 도메인 실험(UIEB/LSUI에서 학습된 모델을 U45/RUIE에서 테스트)이 높은 UCIQE 및 색 재현성으로 강력한 일반화를 보여준다.
• MRDConv는 학습 시 다분기 이점과 추론 시 단일 경로의 효율성을 통해 큰 수용 영역을 가능하게 하며, 무거운 비용 없이 선명한 텍스처를 제공한다.
• SGCA는 글로벌 통계적 사전에 의해 색온도, 색조 및 채도를 다듬어 해저의 진정한 색상 복원을 달성한다.