[论文解读] DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement

Jingchun Zhou, Zongxin He+4 more|arXiv (Cornell University)|Dec 12, 2023

Image Enhancement Techniques被引用 5

一句话总结

DGNet 提出了一种用于水下图像增强的动态梯度引导网络，通过自更新伪标签来优化梯度并逃离局部极小值，同时引入基于通道组合推理的特征恢复与重建（FRR）模块以及频域平滑（FRS）模块以抑制噪声和伪影。在 UIEB 数据集上，其 PSNR 达到 25.6 dB，SSIM 达到 0.93，优于当前最先进方法，且参数量和推理成本更低。

ABSTRACT

Underwater image enhancement (UIE) is a challenging task due to the complex degradation caused by underwater environments. To solve this issue, previous methods often idealize the degradation process, and neglect the impact of medium noise and object motion on the distribution of image features, limiting the generalization and adaptability of the model. Previous methods use the reference gradient that is constructed from original images and synthetic ground-truth images. This may cause the network performance to be influenced by some low-quality training data. Our approach utilizes predicted images to dynamically update pseudo-labels, adding a dynamic gradient to optimize the network's gradient space. This process improves image quality and avoids local optima. Moreover, we propose a Feature Restoration and Reconstruction module (FRR) based on a Channel Combination Inference (CCI) strategy and a Frequency Domain Smoothing module (FRS). These modules decouple other degradation features while reducing the impact of various types of noise on network performance. Experiments on multiple public datasets demonstrate the superiority of our method over existing state-of-the-art approaches, especially in achieving performance milestones: PSNR of 25.6dB and SSIM of 0.93 on the UIEB dataset. Its efficiency in terms of parameter size and inference time further attests to its broad practicality. The code will be made publicly available.

研究动机与目标

• 为解决依赖合成或低质量配对数据的监督式水下图像增强（UIE）方法的局限性。
• 通过在训练过程中动态更新伪标签，提升模型的泛化能力与适应性。
• 降低复杂水下退化场景中噪声、运动模糊与色彩失真的影响。
• 开发一种轻量化、高效网络，具备高性能，适用于实际水下应用。

提出的方法

• 利用预测图像动态生成并更新伪标签，构建动态梯度，引导网络在损失空间中优化。
• 提出基于通道组合推理（CCI）的特征恢复与重建（FRR）模块，以恢复和重建特征分布。
• 采用固定权重拉普拉斯卷积的频域平滑（FRS）模块，抑制运动噪声并平滑低频伪影。
• 引入新型损失项 $L_{d}^{ au}$ 以保留对比度与光照平衡，引导网络趋向全局最优。
• 结合多种损失函数，包括 $L_1$、$L_{ssim}$ 与 $L_{d}^{ au}$，以平衡重建精度与感知质量。
• 利用对比度受限自适应直方图均衡化（CLAHE）生成对光照与对比度更敏感的伪标签，增强模型的感知能力。

实验结果

研究问题

• RQ1 动态伪标签是否能在固定参考监督之外，进一步提升水下图像增强的泛化性与鲁棒性？
• RQ2 在复杂水下退化场景下，如何有效抑制噪声与运动伪影？
• RQ3 轻量化网络在参数极少的情况下，能在多大程度上实现 SOTA 性能？
• RQ4 引入动态梯度引导是否有助于模型逃离局部极小值并提升收敛性？
• RQ5 频域平滑与特征重建模块是否能协同提升图像质量并减少伪影？

主要发现

• DGNet 在 UIEB 数据集上实现 PSNR 25.6 dB 与 SSIM 0.93，显著优于先前 SOTA 方法。
• Our-L 模型相较 Semi-UIR（CVPR’23）实现 PSNR 提升 5.4% 与 SSIM 提升 3.1%，且参数量减少 88.3%。
• FRS 模块相较基线消融实验使 PSNR 提升 11.5 dB，证明其在伪影抑制方面的强大能力。
• 与不使用 $L_{d}^{ au}$ 相比，引入该损失项使 PSNR 提升 0.24 dB，证实其在引导全局优化中的关键作用。
• 消融实验证实 FRR 与 FRS 模块均不可或缺，其中 FRR 使 PSNR 提升 0.7 dB，SSIM 提升 0.007。
• 模型仅含 0.7M 参数，计算复杂度低，保持高效率，支持实际部署。