Devido à absorção e dispersão da luz debaixo d'água, as imagens subaquáticas apresentam distorção de cor e perda de detalhes, o que afeta gravemente a detecção e o reconhecimento subsequentes de alvos subaquáticos. Este artigo propõe um modelo de rede neural adversarial generativa leve com camadas convolucionais completas (DUnet-GAN) para aprimorar imagens subaquáticas. Considerando as características das imagens subaquáticas, foi proposta uma função de objetivo multitarefa que permite que o modelo melhore a qualidade da imagem em termos do conteúdo geral, cor, textura local e informações de estilo. Além disso, foi realizada uma comparação com alguns modelos importantes existentes e uma avaliação quantitativa. Os resultados mostram que no conjunto de dados EUVP, o modelo proposto atinge uma relação sinal-ruído de pico acima de 26 dB, similaridade estrutural de 0,8, tamanho de parâmetros de 11 MB, apenas 5% do tamanho dos parâmetros de outros modelos de desempenho equivalente, superando os indicadores do FUNIE-GAN de 26 MB. Ao mesmo tempo, o UIQM é 2,85, ficando atrás apenas do modelo Cycle-GAN, com um efeito de aprimoramento subjetivamente significativo. Mais importante ainda, as imagens aprimoradas proporcionam melhor desempenho para modelos de detecção de alvos subaquáticos e também atendem aos requisitos de leveza do modelo para dispositivos como robôs subaquáticos.

rede neural adversarial generativa;aprimoramento de imagem;leveza;gerador;detecção de alvos