Enhancing Underwater Imaging for Robot through Embedded Polarization Neural Network

EPNN：基于嵌入式偏振神经网络的水下成像增强方法

1 论文核心概念

本文提出了一种名为嵌入式偏振神经网络（Embedded Polarization Neural Network, EPNN） 的方法，用于显著提升水下机器人在高散射、高吸收水域中的成像能力。该方法通过结合偏振相机与深度学习模型，实现了对水下低质量图像的快速高质量重建，扩展了水下机器人的视觉范围，提升了成像速度与质量。

最核心的区别:它巧妙地绕过了水下视觉领域“缺乏真实配对数据”这个根本性障碍，通过一个基于物理光学模型（公式1）的“仿真流水线”，生成了无限量的、高质量的“算法级真值”训练数据。

物理模型与深度学习模型的结合提高泛化能力:

物理模型与深度学习模型的结合，其提升泛化能力的核心在于物理模型参数化的随机性。在生成训练数据时，物理退化模型中的关键参数（如衰减系数 c 和拍摄距离 z）并非固定不变，而是在一个符合真实水下情况的合理范围内动态随机取值。这意味着，同一张清晰的地面图像，能够被模拟生成出成千上万张在不同浑浊度、不同距离下拍摄的、退化程度各异的低质图像。因此，神经网络在训练中学到的并非是一种单一的修复映射，而是一种应对各种可能退化情况的通用性物理逆变换能力。当模型在真实水下环境中遇到它从未见过的场景时，该场景的退化模式