一种基于条件约束注意力生成对抗网络的水下图像增强模型.pdf

摘要：针对由水下复杂环境导致的水下图像颜色失真、对比度和清晰度低等问题，提出了一种基于条件约束注意力生成对抗网络的水下图像增强模型.首先，该模型包括生成网络模块和判别网络模块，在模型训练过程中，两模块进行相互对抗学习，使得该模型具备较好的特征提取能力；其次，生成网络模块中设计了空间注意力模块，加强或减弱空间位置的特征，提高了水下图像的清晰度和对比度；采用跳跃连接改善了梯度消失现象，同时有助于梯度的反向传播；最后，损失函数中采用了组合损失函数进行迭代训练，增加了模型训练时的条件约束，提高了模型训练的稳定性.实验结果表明：所提模型增强后的图像清晰度和颜色校正情况优于其他对比算法；该模型的评价指标值较对比算法指标值均有所提高.该模型获得了更好的主观视觉评价和客观量化评价，有效提高了图像质量，且耗时更短.关键词：水下图像增强；生成对抗网络；空间注意力；条件约束；组合损失中图分类号：TP391.41文献标志码：A文章编号：2095-719X（2023）04-0274-07Underwater Image Enhancement Using a Conditional ConstrainedAttention Generative Adversarial NetworkYANG Zhenjian,LI Can,WANG Jiao,CHEN Zihui（School of Computer and Information Engineering,TCU,Tianjin 300384,China）Abstract：Aiming at the problem of color distortion and low contrast in underwater images,this paper proposes underwaterimage enhancement based on conditional constrained attention generative adversarial network.First,the module includesgenerative network module and discriminative network module.During module training,the generative network module andthe discriminative network module compete with each other thus rendering better feature extraction capability;Next,the spaceattention module designed in the generative network module enhances or weakens spatial position and improves clarity andcontrast of underwater images;The gradient disappearance is improved and the gradient back propagation is enhanced byusing jump connection;Finally,designing and combinatorial loss function iterative training adversarial networks improve thestability of network training and obtain enhanced underwater images.In term of view evaluation,the image sharpness andcolor correctness of the proposed algorithm is better.Underwater image quality evaluations are all improved compared with thevalue of the comparison algorithm.The experimental results show that the algorithm can obtain better subjective visualevaluation and objective quantitative evaluation,and effectively improve the quality of image generation by shorter time.Key words：underwater image enhancement;generative adversarial network;spatial attention;conditional constraint;combinatorial lossDOI：10.19479/j.2095-719x.2304274天津城建大学学报允燥怎则灶葬造 o枣 栽蚤葬灶躁蚤灶 Chengjian 哉灶蚤增藻则泽蚤贼赠第 29 卷第 4 期圆园23 年 8 月Vol.29No.4Aug.2023收稿日期：2021-11-19；修订日期：2021-12-14基金项目：天津市教委科研计划项目（2017KJ059）作者简介：杨振舰（1975），男，天津人，天津城建大学教授.一种基于条件约束注意力生成对抗网络的水下图像增强模型杨振舰，李灿，王娇，陈子辉（天津城建大学 计算机与信息工程学院，天津 300384）水下图像在深海勘探中有着重要应用，其图像质量直接关系到人们对水下环境认知程度的深浅，但由于水下的复杂环境，采集到的水下图像存在颜色失真、清晰度低等问题，所以如何有效地改善水下图像质量，使其满足水下应用需求已成为人们关注的热点问题.水下图像增强算法分为传统算法和基于深度学习算法1.传统算法的水下图像增强算法2-5通过获得水下图像的先验信息实现增强，但特征提取与表达能力有限，所以导致该类算法的自适应能力和鲁棒性不2023 年 8 月强.近年来，具有较强特征学习和表达能力的深度学习算法引起人们的广泛关注，国内外诸多研究学者尝试利用深度学习算法进行水下图像增强，以弥补基于传统水下图像增强算法的不足.根据采用的模型类别，基于深度学习的算法可分为判别式模型和生成式模型6.判别式模型7-9一般由卷积层简单堆叠组成模型来完成图像特征的提取，然后利用学习到的特征完成水下图像增强.Li 等10基于融合的水下图像增强方法提出了一种门控融合 CNN 模型（a gated fusion CNNtrained by the constructed dataset for underwater imageenhancement，water-Net），将输入与预测的置信度图融合以实现增强的结果.Sun 等11提出了一种基于编码-解码器的 pixel-to-pixel 网络模型进行水下图像增强.Li 等人12提出了一种水下图像合成算法（underwaterscene prior inspired deep underwater image and videoenhancement，简称 UWCNN），模拟多种退化的水下图像，使水下图像达到增强的效果.虽然判别式模型的算法在一定程度上解决了传统算法的不足，但生成图像在细节和色彩方面仍有所欠缺.采用生成式模型的算法通过生成网络和判别网络两者进行对抗学习来获得输出模型，具有更强的表达能力和特征学习能力.Goodfellow 等13首次利用对抗学习生成式模型，提出了生成对抗网络（generative adversarial networks，简称GAN）算法，提高了生成图像的质量.Fabbri 等14提出了一种循环一致性对抗网络来改善水下视觉场景质量（enhancingunderwaterimageusinggenerativeadver-sarialnetworks，简称 UGAN）的算法.Mirza 等15提出了用条件生成对抗网络（convolutional generative adver-sarialnetworks，简称 CGAN）来解决原始GAN 网络在训练过程中学习到的特征变化问题以及模型学习的不确定性问题.CGAN 通过在生成网络和判别网络中增加额外条件来监督 GAN 模型训练，有效约束了生成网络的训练.Guo 等16利用颜色判别对图像的颜色信息进行学习，提出了一种基于条件生成对抗网络的水下图像增强算法.Liu 等17提出了一种基于条件生成对抗网络的多尺度特征融合网络，用于水下图像色彩校正.CGAN 算法可以提高处理不同退化类型的水下图像的能力，提升了模型学习的稳定性，但在增强过程中还存在颜色偏差、清晰度不高等问题.近年来，自然语言处理领域见证了注意力机制18的发展，但注意力机制在水下图像增强应用上鲜有研究.为了解决上述问题，本文提出一种基于条件约束注意力生成对抗网络的水下图像增强模型（underwaterimage enhancement using a conditional constrained atten-tiongenerative adversarial network，简称 AGAN），AGAN模型能够校正水下图像颜色偏差并增强图像细节信息.主要创新点如下：淤设计条件约束注意力生成对抗网络模型，利用生成网络和判别网络两模块之间相互对抗学习的方式，使模型学习水下图像与目标图像之间的特征映射，获得了较好的特征提取能力，有效的进行了颜色校正；于设计了空间注意力模块，通过所有空间位置的特征加权总和选择性地聚集空间位置的特征，突出重点区域和融入显著特征，以有效弥补图像特征的缺失，有效地提取水下图像信息，提高了水下图像清晰度和对比度；盂由组合损失函数协同约束模型的反向梯度传播，提高了模型训练的稳定性并加快了网络的收敛速度.1本文模型本文提出的网络模型是以 Unet（convolutional net原works for biomedical image segmentation，简称 Unet）网络结构为基础网络，采用了卷积层与反卷积层并引入了空间注意力机制，AGAN 模型主要由生成网络模块和判别网络模块组成.首先利用生成网络模块对输入的水下图像进行特征提取，得到生成图像；然后将生成图像和目标图像同时输入到判别网络模块，对两者进行真假判断，并将判断结果反馈给生成网络模块；同时，在模型的迭代训练过程中，设计了组合损失函数，通过梯度的反向传播进行条件约束，以迭代更新两个模块的学习参数，提高判别网络模块的判别能力，达到两模块之间的平衡，使生成网络模块得到的生成图像更接近于目标图像，通过生成网络模块与判别网络模块之间的相互对抗，有效的进行了颜色校正，提高了水下图像增强的质量.AGAN 模型结构如图 1 所示.1.1生成网络模型在提取特征过程中只使用卷积层会存在细节特图 1基于条件约束注意力生成对抗网络的水下图像增强网络模型判别网络模块生成图像X軒水下图像 X生成网络模块反馈目标图像 X忆杨振舰等：一种基于条件约束注意力生成对抗网络的水下图像增强模型275天津城建大学学报第 29 卷第 4 期征丢失的问题，因此本文在生成网络模块中设计了卷积层和反卷积层相结合的模式.其中，卷积模块主要对特征图进行压缩并获取高频细节特征，反卷积模块用来逐步提取图像边缘和纹理等细节信息并对图像进行复原.卷积模块和反卷积模块对应层之间采用跳跃连接方式，实现了靠前部分卷积层提取的特征与靠后部分提取的特征相互融合，缓解了梯度消失或激增现象.同时采用空间注意力模块加强或减弱空间位置的图像特征，以捕获更多的细节信息.卷积模块由 5 层卷积层组成，反卷积模块由 4 层反卷积层和 1 层上采样层组成，每层后都添加批量归一化层（batch normalization，简称 BN）和激活函数层，卷积核与反卷积核大小均为4 伊 4.在卷积模块中，对水下图像进行特征提取获得特征 Fai，如计算公式 1、2 所示，即Fa1=Conv（X）（1）Fai=Conv（Fai-1）（i=2，3，4，5）（2）式中：i 为第 i 个卷积层.反卷积模块对输入特征进行多级上采样，得到的特征如计算公式 3、4、5 所示，即Fb1=Deconv（Fa4+Fa5）（3）Fbi=Deconv（Fbi-1+Fai-1）（i=4，3，2；j=2，3，4）（4）Fb=Tanh（Conv（unsample（Fb4）（5）式中：j 为第 j 层反卷积；unsample（）为最近邻的上采样操作；Tanh（）为激活函数.水下图像高频区域的细节信息促进图像增强，因此图像高频区域的细节信息需要增强的同时也需要抑制低频区域的权重.基于此，设计空间注意力模块以获取显著性特征，从而增强水下图像的高频细节信息，提高水下图像的清晰度和对比度.首先对输入特征进行平均池化和最大池化操作，为每个空间位置生成有效的特征描述符，并将两种池化操作得到的特征描述符进行拼接；拼接后的特征描述符通过卷积层生成空间注意力图；再用 sigmoid 函数将空间注意力特征映射到（0，1）范围，记为 Fe；最后将 Fe与特征图对应的空间位置进行相乘得到空间注意力模块的输出 Fatt，以进行图像各成分权重的重新分配，突出重点区域和融入显著特征.空间注意力特征 Fe及模块输出 Fatt的计算公式如下Fe=sigmoid（Conv（Cat（AvgPool（Fd），MaxPool（Fd）（6）Fatt=Fe茚 Fd（7）式中：Cat 为拼接操作；AvgPool（）为平均池化操作；MaxPool（）为最大池化操作.生成网络模型结构如图 2 所示，空间注意力模块结构如图 3 所示.对于输入的水下图像 X，经过卷积模块、反卷积模图 2生成网络模块FdFeFatt乘法操作sigmoid 函数平均池化最大池化加法操作空间注力模块激活函数上采样反卷积层卷积层卷积模块反卷积模块生成图像X軒FdFattFa1Fb1Fa2Fa3Fa4Fa5Fb2Fb3Fb4水下图像 X图 3空间注意力模块块、空间注意力模块操作之后，最终通过生成网络模块 G 生成图像X軒，X軒的计算公式为X軒=G（X）=Fatt+Fd（8）1.2判别网络模型判别网络模块包含 5 个卷积层，每层卷积后添加了激活函数层和 BN 层，最后一层卷积层用于改变特征图尺寸大小和降维.首先将输入判别网络模块的目2762023 年 8 月图 4判别网络真假FmLCGAN生成图像X軒目录图像 X忆杨振舰等：一种基于条件约束注意力生成对抗网络的水下图像增强模型标图像和生成图像经过卷积操作提取特征.然后使用条件对抗损失函数 LCGAN根据目标图像与 Fm之间特征差异进行真假判断，特征差异较小的区域对应输出特征图像素点值接近于 1，反之接近 0，并将判别结果反馈给生成网络模块，同时优化器会对判别网络模块的参数进行调整.判别网络结构如图 4 所示，特征图 Fm提取过程如下式，即Fm=Conv（Conv（Conv（Conv（Conv（Cat（X+X忆）（9）1.3损失函数模型的训练过程是利用损失函数的反向梯度传播对模型中的参数进行迭代优化.单个损失函数虽然能够达到一定优化效果，但结果较为平缓，使生成图像质量整体视觉欠佳.因此，本文算法的损失函数利用条件对抗损失函数 LCGAN达到生成图像质量的视觉效果，结合均方误差损失函数（mean-square error，简称MSE）、损失函数和内容损失函数协同对模型训练进行约束，如式 10 所示.其中条件对抗损失函数 LCGAN在训练过程中，不断调整生成网络模块与判别网络模块的参数，促使模型最终达到模块间的动态平衡，获得质量较好的生成图像，如式 11 所示.MSE 损失函数用来衡量增强后图像与目标图像之间的像素差值，公式如12 所示.L1损失函数用于保证生成图像与目标图像之间的相似度，如式 13 所示.内容损失函数 LCON主要用于促进网络 G 生成与目标图像相似的结果.本文将函数 椎 定义为由预训练 VGG-19 网络的 block5-conv2层提取特征的过程，如式 14 所示.本文损失函数计算公式如式 10-14 所示，即U=LCGAN（G，D）+姿1L1+姿2LCON（10）LCGAN（D，G）=Elog D（X忆）+Elog（1-D（X忆，（G，D）（11）LMSE=1NNi=1移椰X軒-X忆椰（12）L1=Ni=1移|Xi忆-X軒i|（13）LCON=E|椎（X忆）-椎（G（X）|（14）式中：D 为判别网络；E 为期望；N 为输入的像素点值；姿1和 姿2分别为 0.5，0.5.损失函数 U 中采用组合损失函数进行协同约束训练，加快了模型的收敛速度，提升了网络的稳定性和鲁棒性.2实验分析与讨论2.1数据集与实验配置本文实验采用水下图像数据集 EUVP19（enhancingunderwater visual perception）进行训练和测试，其中训练集包含 10 920 对成对的水下图像，测试集包含 515对成对图像.该数据集包含真实条件下采集获得的水下图像和 YouTubeTM 视频中提取的水下图像.本文算法与对比算法均使用相同的训练集和测试集.模型训练时采用的硬件平台是 CPU 为 Inter Xeon E5-2620，内存为 16 GB，显卡为 GeForce GTX 1080Ti.软件平台是 Ubuntu 操作系统，使用 Pytorch 深度学习框架实现本文的网络模型.在模型训练时设置初始化学习率为0.000 3，采用 Adam 作为优化器，设置参数值 茁1为0.99，茁2为 0.5，批量大小（batchsize）为 1.2.2评价指标本文使用峰值信噪比（peaksignal-to-noiseratio，简称PSNR）、结构相似性（structural similarity，简称SSIM）和无参考水下图像质量评价指标（underwater image qua-lity measure，简称 UIQM）来评估生成图像的质量.其中 PSNR 用来计算对应像素点之间的均方误差（mean-square error，简称 MSE）的对数值.SSIM 从亮度、对比度、结构三方面度量图像相似性.UIQM 包括水下图像色彩度量（colorfulness）、UICM、水下图像清晰度度量（sharpness）、UISM、水下图像对比度度量（contrast）和UIConM.对于生成图像X軒和目标图像 X忆，PSNR、SSIM和 UIQM 三个评价指标如式 15-17 所示，即PSNR（X軒，X忆）=10log102552MSE（X軒，X忆）蓘蓡（15）SSIM（X軒，X忆）=2滋X軒滋X忆+c1滋2X軒滋2X忆+c1蓸蔀2滓X軒X忆+c2滓2X軒滓2X忆+c2蓸蔀（16）UIQM=c1伊 UICM+c2伊UISM+c3伊 UIConM（17）式中：滋X軒，滋X忆和 滓X軒，滓X忆分别是X軒和 X忆的均值和标准偏差；滓X軒X忆表示协方差；c1，c2，c3分别设置为 0.028 2，0.295 3，3.575 3.2.3消融对比实验为验证本文采用的空间注意力模块和跳跃连接的有效性，针对不同模型进行了消融实验.模型 1 未添277天津城建大学学报第 29 卷第 4 期加跳跃连接和空间注意力模块；模型 2 在模型 1 的基础上添加了跳跃连接；模型 3 在模型 1 的基础上添加了空间注意力模块；模型 4 采用了跳跃连接和空间注意力模块（AGAN）.所有实验在 EUVP 数据集中的测试集上进行测试，不同网络模型性能结果如表 1 所示.从表 1 可以看出，单独添加空间注意力模块（模型 2）或跳跃连接（模型 3）的模型，模型性能均有提升，但这两者相较而言，添加跳跃连接的模型（模型3），性能提升较大.本文算法在同时添加了空间注意力模块和跳跃连接时性能达到最好，相较仅添加了跳跃连接的模型（模型 3），PSNR、SSIM、UIQM 值分别提高了 0.724 1 dB，0.051 0，0.210 5.由此表明跳跃连接和空间注意力模块能够优化网络模型，提升图像质量.2.4与其他算法的对比实验本文在同一环境、同一训练集和测试集条件下，与（dark channel prior，简称 DCP）、（underwater darkchannel pior，简称 UDCP）、（rayleigh distribution，简称RD）、（image blurriness and light absorption，简称IBLA）、waterNet、UGAN、UWCNN 等经典算法进行比较，定量比较结果如表 2 所示.对比算法的实验结果均由原文作者公开的源码实验所得.另外，本文在同一环境下统计了不同算法的平均耗时情况，统计结果如表 3 所示.表 4 展示了不同算法实验结果图中的评价指标值.由于人的视觉对细节更加敏感，为进一步验证水下图像的颜色修正和对比清晰度的增强情况，本文展示了AGAN 算法与对比算法部分增强后的图像细节以及AGAN 算法增强后图像，如图 5-6 所示.由表 2 统计数据可以明显看出，传统算法（DCP、IBLA、RD、UDCP）的评价指标值都较低，对比的深度学习算法（UGAN，water-Net，UWCNN）比传统方法评价指标值高，其中 UGAN 算法的 PSNR、SSIM、UIQM值比 UWCNN 算法指标值分别提高了 1.880 9 dB，0.015 7，0.035 0.AGAN 算法的三个评价指标值均优于其他对比算法，其中 AGAN 算法获得 PSNR 值和UIQM 值相比于 UGAN 算法分别提升了 0.105 5 dB、0.023 1，SSIM 值略低 0.014，表明了 AGAN 算法获得的水下图像具有更好的增强效果.另外，从表 3 中统计的平均耗时可以看出，AGAN 算法完成图像增强过程耗时更短，具有较好的实时性；表 4 通过对单个图像评价指标值进行分析表明本文方法的有效性.如图 5 所示，与其他算法相比，AGAN 算法增强后的图像包含的纹理和特征信息更丰富，视觉效果更好.特别是图 5（b.DCP 图像 1）和（u.UDCP 图像 4）所示，对于绿色和蓝色色调的图像，DCP 和 UDCP 使图像变暗，其增强后的图像颜色修正效果不佳，会产生严重的色偏问题.从图 5（j.UGAN 图像 2）和（p.UG-AN 图像 3）中可以看出，UGAN 算法可以增强图像的对比度，但在图像颜色校正方面表现不佳，且会产生一定的伪影.本文算法可以恢复退化的水下图像的颜色、亮度和对比度，能获得与目标图像具有更高相似度的表 1不同模型在测试集中 PSNR、SSIM 和 UIQM 结果比较模型跳跃连接空间注意力模块PSNR/dBSSIMUIQM119.005 90.361 02.741 02姨21.235 70.433 43.010 03姨23.814 30.706 02.920 04姨姨24.538 40.757 03.130 5表 2不同算法在测试集中 PSNR、SSIM 和 UIQM 值算法PSNR/dBSSIMUIQMDCP322.774 30.686 71.975 0IBLA222.115 00.699 52.173 9RD517.222 90.623 22.897 7UDCP415.844 80.558 51.890 4water-Net1020.140 00.680 02.550 0UGAN1424.432 90.771 03.107 4UWCNN1222.552 00.755 33.072 4AGAN24.538 40.757 03.130 5表 3不同算法在测试集上的平均测试时间s算法DCPIBLARDUDCPUGANwater-NetAGNA时间 2.942 0 6.458 31.914 82.921 40.100 50.327 80.065 0表 4不同算法在 4 张对比结果图中的 PSNR、SSIM 和UIQM 值算法PSNR/dBSSIMUIQMb.DCP 图像 124.560.680 82.54h.DCP 图像 226.140.777 02.38n.DCP 图像 328.400.751 31.62t.DCP 图像 419.750.680 82.43c.UDCP 图像 121.560.650 02.36i.UDCP 图像 221.610.746 12.06o.UDCP 图像 317.380.647 61.49u.UDCP 图像 416.690.673 01.85d.UGAN 图像 122.200.865 13.17j.UGAN 图像 221.700.387 73.40p.UGAN 图像 319.240.809 53.03v.UGAN 图像 426.220.825 03.17e.本文算法图像 123.030.829 02.97k.本文算法图像 222.540.804 03.54q.本文算法图像 326.480.837 43.06w.本文算法图像 426.580.825 53.392782023 年 8 月图 6本文算法增强效果图 5不同算法与本文算法的定性对比实验结果（a）水下图像 1（b）DCP 图像 1（c）UDCP 图像 1（d）UGAN 图像 1（e）本文算法图像 1（f）目标图像 1（g）水下图像 2（h）DCP 图像 2（i）UDCP 图像 2（j）UGAN 图像 2（k）本文算法图像 2（l）目标图像 2（m）水下图像 3（n）DCP 图像 3（o）UDCP 图像 3（p）UGAN 图像 3（q）本文算法图像 3（r）目标图像 3（s）水下图像 4（t）DCP 图像 4（u）UDCP 图像 4（v）UGAN 图像 4（w）本文算法图像 4（x）目标图像 4（a）水下图像（b）本文算法增强图像（c）目标图像（d）水下图像（e）本文算法增强图像（f）目标图像（g）水下图像（h）本文算法增强图像（i）目标图像（j）水下图像（k）本文算法增强图像（l）目标图像（m）水下图像（n）本文算法增强图像（o）目标图像（p）水下图像（q）本文算法增强图像（r）目标图像杨振舰等：一种基于条件约束注意力生成对抗网络的水下图像增强模型增强后图像，也体现了跳跃连接和空间注意力模块对模型提取特征能力的有效性.为进一步验证本文算法的有效性，图 6 给出了 AGAN 算法在不同水下图像中增强的效果.综上所述，从定性和定量比较结果来看，本文算法视觉效果更佳，提高了算法的性能，相比于其他算法更接近目标图像.279天津城建大学学报第 29 卷第 4 期3结语针对水下图像出现颜色失真以及清晰度和对比度低等问题，本文提出了条件约束注意力生成对抗网络的水下图像增强模型.该模型通过生成网络模块与判别网络模块之间的相互对抗，获得了较好的特征提取能力；在网络模型中，引入空间注意力模块选择性地聚焦空间位置的特征，有效弥补了图像特征的缺失；利用组合损失函数进行约束训练，提高了网络模型的稳定性和收敛速度.实验结果表明，该算法可以有效地修正颜色失真现象，增强对比度，提高清晰度并提升了图像的视觉效果.参考文献：1丛润民，张禹墨.深度学习驱动的水下图像增强与复原研究进展J.信号处理，2020，36（9）：1377-1389.2PENG Y T，PAMELA C.Underwater image restoration basedon image blurriness and light absorptionJ.IEEE Transactionson Image Processing，2017，26（4）：1579-1594.3HE K，SUN J，TANG X，et al.Single image haze removalusing dark channel priorJ.IEEE Transactions on Pattern Ana-lysis&Machine Intelligence，2011，33（12）：2341-2353.4DREWS P L J，NASCIMENTO E R，BOTELHO S C.Under-water depth estimation and image restoration based on singleimagesJ.IEEE Computer Graphics&Applications，2016，36（2）：24-35.5王丹，张子玉，赵金宝，等.基于场景深度估计的自然光照水下图像增强方法J.机器人，2021，43（3）：9-11.6傅迎华，付东翔，柳樾，等.机器学习中的生成式模型和判别式模型比较C/决策论坛：区域发展与公共政策研究学术研讨会论文集.北京：科技与企业出版社，2016：307-314.7BARBOSA W V，AMARAL H G B，ROCHA T L，et al.Visual-Quality-Driven learning for underwater vision enhance-mentJ.IEEE International Conference on Image Processing，2018，25：3933-3937.8LI C，ANWAR S.Underwater scene prior inspired deep under-water image and video enhancementJ.Pattern Recognition，2019，98：1-11.9YANG W，JING Z，YANG C，et al.A deep CNN method forunderwater image enhancementC/IEEE International Con-ference on Image Processing（ICIP）.Beijing：IEEE，2017：1382-1386.10 LI C，GUO C，REN W，et al.An underwater image enhance-ment benchmark dataset and beyondJ.IEEE Transactions onImage Processing，2019，29：4376-4389.11 SUN X，LIU L，LI Q，et al.Deep pixel-to-pixel network forunderwater image enhancement and restorationJ.IET ImageProcessing，2019，13（3）：469-474.12 LI C，ANWAR S.Underwater scene prior inspired deep under-water image and video enhancementJ.Pattern Recognition，2019，98（1）：107038-107045.13 GOODFELLOW I J，POUGET-ABADIE J，MIRZA M，et al.Generative adversarial networks J.Advances in Neural Infor-mation Processing Systems，2014，3：2672-2680.14 FABBRI C，ISLAM M，SATTAR J，et al.Enhancing underwa-ter imagery using generative adversarial networksC/IEEE In-ternational Conference on Robotics and Automation（ICRA）.Brisbane：arXiv，2018：7159-7165.15 MIRZA M，OSINDERO S.Conditional generative adversarialnets J.Computer Science，2014，35：2672-2680.16 晋玮佩，郭继昌，祁清，等.基于条件生成对抗网络的水下图像增强J.激光与光电子学进展，2020，57（14）：33-44.17 LIU X，GAO Z，CHEN B M.MIFCGAN：multilevel featurefusion based conditional GAN for underwater image color cor-rectionJ.IEEEGeoscienceandRemoteSensing Letters，2019，17（9）：1488-1492.18 SABINE K G.Mechanisms of visual attention in the humancortexJ.Annual Review of Neuroscience，2003，23（1）：315-341.19 ISLAM M J，XIA Y，SATTAR J.Fast underwater image enhan-cement for improved visual perceptionJ.IEEE Robotics andAutomation Letters，2020，5（2）：3227-3234.280