Abordamos a limitação dos algoritmos convencionais de melhoria de imagens subaquáticas, que geralmente priorizam a qualidade perceptual em detrimento das exigências de visão computacional a jusante. Para isso, primeiro construímos o conjunto de dados Underwater Joint Enhancement and Detection (UJED), o primeiro benchmark unificado que fornece tanto imagens de referência perceptual quanto anotações de detecção dentro do mesmo domínio. Em seguida, propomos a Rede UIE Desdobramento Profundo Guiada pela Detecção (DGU-Net), que integra regularização orientada por física e guiada por detecção em um framework de otimização conjunta, equilibrando a qualidade visual para percepção humana e a precisão de detecção para visão computacional. Resolvemos o problema de otimização de forma iterativa e, em seguida, desdobramos o solucionador em uma rede multiescalonada, onde as variáveis de otimização e os regularizadores são atualizados usando soluções em forma fechada e operadores proximais aprendíveis. Resultados experimentais demonstram que o algoritmo proposto alcança desempenho de detecção de última geração sem sacrificar a qualidade visual.
Yu et al. (Qui,) estudaram esta questão.