Новый гибридный метод кастомизированной цветокоррекции и рекуррентных сверточных нейронных сетей для улучшения подводных изображений

Почему важны более четкие подводные фотографии

Будь то морские биологи, обследующие коралловые рифы, инженеры, проверяющие подводные кабели, или ныряльщики, которые делятся видео с выходных, все сталкиваются с одной и той же проблемой: под водой фотографии часто выглядят затуманенными, с синевато-зеленым оттенком и без мелких деталей. В этом исследовании предлагается новый способ очистки таких изображений, чтобы сцены под поверхностью выглядели ближе к тому, как мы видим их в прозрачном воздухе, помогая как людям, так и компьютерным системам лучше понимать подводный мир.

В чем проблема съемки под водой

Вода — это не просто более плотная версия воздуха. По мере прохождения через нее свет на разных длинах волн поглощается и рассеивается по-разному. Красные и желтые оттенки быстро исчезают с глубиной или расстоянием, тогда как синие и зеленые распространяются дальше, поэтому многие подводные сцены кажутся голубоватыми и тусклыми. Мелкие частицы в воде рассеивают свет во всех направлениях, размывая контраст и скрывая тонкие детали. Эти эффекты не только раздражают любителей фотографии, но и ухудшают работу алгоритмов, которые пытаются обнаруживать объекты, картировать дно или наблюдать за морской жизнью по изображениям и видео.

Существующие приемы и почему они не всегда срабатывают

Исследователи пробовали разные стратегии для исправления подводных изображений. Некоторые методы опираются на физические формулы, описывающие поглощение и рассеяние света, и пытаются обратить этот процесс. Другие настраивают яркость и контраст, меняют цветовой баланс или работают в специальных цветовых пространствах, которые разделяют светлость и цветовые компоненты. Более современные техники используют глубокое обучение, обучая нейронные сети на больших наборах подводных снимков, чтобы системы научились, как выглядит «хорошее» изображение. Однако многие из этих подходов либо представляют собой вручную собранные конвейеры с фиксированными шагами, либо одноразовые нейросети. Они испытывают трудности при изменении условий воды, неравномерном освещении или сильном шуме, потому что не могут легко адаптироваться и последовательно улучшать результат в несколько проходов.

Гибридный путь от мутного к четкому

Авторы предлагают гибридный метод, который сочетает сильные стороны классической цветокоррекции и современной рекуррентной сверточной нейронной сети — типа глубокого обучения, предназначенного для многократного уточнения предсказаний. Сначала стадия кастомизированной цветокоррекции анализирует, какие длины волн ослаблены сильнее, и соответственно корректирует каждый цветовой канал. Вместо того чтобы слепо усиливать красные или урезать синие, метод оценивает, насколько сильно свет был затухшим в конкретной подводной обстановке, и восстанавливает более естественные цветовые тона. Затем изображение переводят в цветовое пространство, более близкое к восприятию человека, разделяя общую светлость и цветовые компоненты, что облегчает исправление искажений без утраты деталей.

Позволяя сети возвращаться к изображению

После первоначальной цветовой коррекции улучшенное изображение подается в рекуррентную нейросеть. В отличие от стандартной сети, анализирующей изображение один раз, эта архитектура повторно подает свой выход на вход, позволяя модели заново оценивать сцену в нескольких итерациях. С каждым проходом она уточняет края, очищает шум и улучшает контраст, стараясь не создавать искусственных ореолов или чрезмерно усиленных участков. Дополнительные шаги обработки сглаживают шум так, чтобы сохранять границы между объектами, а специализированная работа с синим и зеленым каналами помогает исправлять наиболее распространенный подводный цветовой дисбаланс. В целом конвейер переходит от исходных, окрашенных снимков к постепенно более четким и точным представлениям.

Доказательства на разнообразных подводных сценах

Чтобы оценить эффективность метода, исследователи протестировали его на различных общедоступных коллекциях подводных изображений, включающих синтетические и реальные сцены, а также статичные кадры и видео. Качество проверяли стандартными метриками, сравнивающими резкость, структурное сходство и уровень шума, а также показателями, не требующими идеального эталонного изображения — что важно в океане, где «правильный» вид редко доступен. На изображениях коралловых рифов, скульптур на дне, плывущих рыб и ныряльщиков их подход последовательно давал более высокие результаты по сравнению с конкурентами и выдавал изображения, которые люди оценивали как более четкие, насыщенные цветом и богатые деталями.

Что это означает для наблюдения под водой

Проще говоря, исследование показывает, что тщательная первичная цветокоррекция, а затем многократная шлифовка результатов умной сетью приводит к подводным снимкам, которые выглядят более естественно и содержат больше полезной информации. Хотя метод может испытывать трудности в очень темных условиях, а современные метрики качества не всегда точно отражают человеческое восприятие, этот гибридный подход уже дает практическое преимущество для задач обнаружения объектов, инспекций и экологического мониторинга под поверхностью. С дальнейшей доработкой и улучшением способов оценки качества изображений такие инструменты могут стать стандартной частью подводных камер и роботов, открывая нам более четкое окно в океаны.

Цитирование: Natarajan, D., Sudhakaran, P. & Bereznychenko, V. A novel hybrid customized color correction and Recurrent Convolutional Neural Networks approach for underwater image enhancement. Sci Rep 16, 14006 (2026). https://doi.org/10.1038/s41598-026-44535-z

Ключевые слова: подводная съемка, улучшение изображений, коррекция цвета, глубокое обучение, морское зрение