为了提高影像阴影去除的效果，提出一种基于最小噪声分离（MNF）和生成对抗网络（GAN）的影像阴影去除算法。它以GAN作为基本框架，在生成器和判别器中分别引入条件信息，采用端到端共同学习的多任务模式。生成网络采用编码解码结构，判别网络采用马尔可夫判别器结构。此外，此算法使用MNF，将消除噪声的影像灰度化后与阴影影像一起训练，进而恢复无阴影的影像。这样的网络在训练时可以专注于MNF变换后的单独特征嵌入，而非传统的跨任务共享嵌入。实验结果表明，在指定数据集上，所提算法的结构相似性（SSIM）的平均值达0.9780，像素均方根误差（RMSE）的平均值减小到9.8717。在主观感知和客观评价指标上，所提算法的实验结果均优于对比算法。

为解决光在水下传播过程中由吸收与散射效应导致的水下图像模糊、对比度低和颜色失真问题, 提出一种基于Inception-Residual和生成对抗网络的水下图像增强算法。首先, 将退化水下图像缩放至256×256×3大小, 以获得用于训练模型的数据集。接着, 将Inception模块、残差思想、编码解码结构和生成对抗网络相结合, 构建IRGAN(Generative Adversarial Network with Inception-Residual)模型来增强水下图像。然后, 利用全局相似性、内容感知和色彩感知构造多项损失函数, 约束生成网络和判别网络的对抗训练。最后, 通过训练好的模型对退化水下图像进行处理以获得清晰的水下图像。实验结果表明: 与现有增强方法相比, 所提算法增强的水下图像在PSNR、UIQM和IE指标上的平均值分别比第二名提升13.6%、4.1%和0.9%。在主观感知和客观评估中, 增强后的水下图像在清晰度、对比度增强和颜色校正方面均得到改善。

为提升水下图像的增强效果,提出了一种基于金字塔注意力机制和生成对抗网络(GAN)的水下图像增强算法,该算法将生成对抗网络作为基本架构,生成网络采用编码解码结构并引入特征金字塔注意力模块,多尺度金字塔特征与注意力机制的结合有利于捕获更丰富的高级特征以提升模型性能;判别网络采用类似马尔可夫判别器的结构。此外,通过构建包含全局相似性、内容感知和色彩感知的多项损失函数,使增强后的图像与参考图像的结构、内容和色彩保持一致。实验结果表明,所提算法增强的水下图像在清晰度、颜色校正和对比度上都有所提升。其中,结构相似性、水下图像质量度量和信息熵的平均值分别为0.7418、2.9457和4.6925。在主观感知和客观评价指标上,所提算法的实验结果均优于对比算法。