水下图像存在颜色失真、细节模糊、对比度低等问题,直接影响水下目标识别与跟踪等工作,严重影响了计算机视觉系统在海洋研究中发挥效用,水下图像清晰化研究具有重要的理论意义和应用价值。目前基于有监督学习的水下图像复原方法通常需要高质量的清晰图像作为参考,而其在现实的场景中难以获取;使用合成数据作为训练数据集的复原方法则难以适用于真实场景。基于此,论文提出两种基于无监督学习的水下图像复原方法,具体工作如下:首先,论文基于卷积神经网络,提出了一种零参考单幅水下图像复原方法。网络主体采用基于扩张残差网络的编解码结构,利用残差网络进行特征提取,并将扩张卷积引入残差块,可使其在不降低图像分辨率的前提下增大网络感受野。同时,根据水下图像的降质特点,论文从改善色偏、增强对比度、保持图像内容等方面出发设计了一系列无参考损失函数驱动网络训练过程。实验结果表明,该方法复原得到的水下图像视觉效果理想,并可较好用于真实水下场景。为了在水下图像复原过程中保留更多的图像细节,论文提出了一种基于多层小波网络的无监督水下图像清晰化方法。网络主体采用基于小波变换的编解码结构,它包含一些对称的卷积层和反卷积层,用于学习端到端的数据映射。该网络利用小波变换及其逆变换替代传统的下采样和上采样过程,以保证在特征提取过程中可更好地保持图像的细节。同时,在编码和解码相对应部分加入跳层连接,将浅层和深层特征相融合,实现特征复用,保留更多的高频信息。实验结果表明,该方法复原得到的水下图像细节清晰,颜色自然。