Debido a la absorción y dispersión de la luz bajo el agua, las imágenes submarinas presentan distorsión de color y pérdida de detalles, lo que afecta gravemente la detección y reconocimiento posteriores de objetivos submarinos. Este artículo propone un modelo de red neuronal adversarial generativa ligera con capas convolucionales completas (DUnet-GAN) para mejorar imágenes submarinas. Considerando las características de las imágenes submarinas, se propuso una función objetivo multitarea que permite que el modelo mejore la calidad de la imagen desde el contenido general, color, textura local e información de estilo. Además, se realizó una comparación con algunos modelos importantes existentes y una evaluación cuantitativa. Los resultados muestran que en el conjunto de datos EUVP el modelo propuesto alcanza una relación señal-ruido pico superior a 26 dB, similitud estructural de 0.8, tamaño de parámetros de 11 MB, siendo solo el 5% del tamaño de parámetros de otros modelos con rendimiento similar y superando indicadores del FUNIE-GAN de 26 MB. Al mismo tiempo, el UIQM es 2.85, solo detrás del modelo Cycle-GAN, con un efecto de mejora subjetivamente significativo. Más importante aún, las imágenes mejoradas proporcionan un mejor rendimiento para modelos de detección de objetivos submarinos y también satisfacen los requisitos de ligereza del modelo para dispositivos como robots submarinos.

red neuronal adversarial generativa;mejora de imagen;ligereza;generador;detección de objetivos