📖 本文为《水下目标检测综述》系列的第二篇，聚焦于水下图像质量下降的挑战，并系统梳理了学界在图像增强、图像复原及两者融合方面的代表性方法和进展。

---

一、为什么图像质量是水下目标检测的“第一道坎”？

在水下环境中，光照与传播特性与空气中截然不同。光在水中传播时会发生：

• 吸收（Absorption）：红光衰减快 → 图像偏蓝偏绿。

• 散射（Scattering）：颗粒物导致模糊、雾化。

• 折射（Refraction）：边缘扭曲，目标变形。

此外，还有 船舶噪声、波浪扰动 等外界因素，造成成像失真。

结果就是：

• 图像对比度低

• 颜色失真

• 清晰度下降

• 细节丢失

这些问题严重影响检测算法的准确性，使得即便是最强大的检测器，也可能“看不清、认不准”。

---

二、图像质量问题的主要类型

根据最新综述

20250911_CVer最新综述分享【水下目标检测综述：从传统到大型视觉语言模型】A Structured Review of Underwater Object Detection Challenges and Solutions- From Traditional to Large Vision Language Models

，水下图像质量下降主要表现为：

1. 低对比度与弱光问题 —— 深水区域几乎黑暗，目标难以识别。

2. 颜色偏移 —— 红光缺失，图像整体偏蓝/绿。

3. 散射与模糊 —— 水体浑浊，纹理细节消失。

4. 噪声干扰 —— 船舶、波浪引入噪点和随机失真。

这些问题往往 叠加出现，增加了检测难度。

---

三、解决方案一：图像增强（Image Enhancement）

图像增强的目标是：提升可视化效果，为后续检测提供更清晰的输入。

常见方法：

• 对比度增强：直方图均衡化（HE）、自适应直方图均衡化（CLAHE）。

• 颜色校正：白平衡、颜色补偿。

• 深度学习增强：基于 CNN/Transformer 的端到端增强模型。

📌 代表性工作：

• Gao 等人提出基于 BSRGAN 改进 的超分辨方法，引入能量注意力机制，提升图像细节质量。

• UIEB、EUVP 数据集上的多条件增强框架：根据退化类型选择专门的增强网络，提高鲁棒性。

优点：实现简单，能直观提升可见性。
缺点：可能引入伪影，反而降低检测精度。

---

四、解决方案二：图像复原（Image Restoration）

复原的目标是：尽可能还原真实的水下场景。
与增强的“美化”不同，复原则更偏向物理建模。

常见方法：

• 去雾/去模糊：利用暗通道先验（DCP）、Retinex 理论。

• 去噪：基于滤波（Laplacian、Bellman）、深度学习（NR+FAGR）的方法。

• 光照校正：基于背景光估计、通道补偿。

📌 代表性工作：

• Peng 等人提出结合图像清晰度与成像模型（IFM）估计目标距离，实现去雾+复原。

• Fu 等人提出基于偏振成像的复原方法，解决散射引起的颜色偏差。

• Chen 等人提出 NR+FAGR 框架：去除标签噪声，并在训练中平衡梯度，提升检测精度。

优点：物理解释更合理，保真度高。
缺点：需要估计物理参数，计算复杂。

---

五、解决方案三：增强与复原的融合

很多研究发现，单独使用增强或复原都有不足，于是提出了 融合方法：

• 同时进行对比度提升 + 颜色校正 + 噪声抑制。

• 使用多尺度融合网络，把不同预处理后的图像进行合并。

📌 代表性工作：

• Luo 等人：基于 颜色平衡 + 直方图拉伸 的复原增强联合方法。

• Kang 等人：提出 感知驱动分解与融合框架，将图像分解为亮度、对比度、结构三部分，再融合优化。

• Zhou 等人：结合无监督对比学习，增强模型鲁棒性。

优点：提升整体效果，兼顾视觉与检测性能。
缺点：处理流程复杂，容易过拟合特定环境。

---

六、总结与思考

• 图像质量问题是水下目标检测的首要难题。

• 增强 → 注重提升视觉效果。

• 复原 → 注重恢复物理真实性。

• 融合 → 兼顾两者，提升检测表现。

未来趋势：

• 深度学习 + 物理建模结合：兼顾速度与真实性。

• 场景自适应增强：根据水下条件自动选择最优增强策略。

• 端到端检测增强联合模型：让检测与增强一体化，而不是分开处理。