一、科学研究背景

海洋作为地球的重要组成部分，蕴藏着丰富的生物与矿产资源，对人类可持续发展与未来生存具有战略意义。随着全球海洋资源开发竞争加剧，构建智慧海洋体系、实现精准环境感知已成为我国海洋强国战略的核心任务。然而，受水体对光照吸收与散射效应的物理约束，当前水下视觉感知技术仍面临严峻挑战，具体表现为水下光视觉图像普遍存在对比度低、色彩失真、细节模糊等问题，严重影响其在海洋工程、海洋资源勘探以及水下考古等领域的实际应用效果。传统水下视觉感知增强技术因算法复杂、硬件要求高以及泛化性差等缺陷，普遍难以满足实际需求。因此，开发一种高效、低延迟且易于实际部署实施的深度神经网络模型，切实提升水下视觉质量，已成为推动海洋相关领域发展的关键。

二、主要科技成果

针对水下视觉感知增强问题，网络赌博软件-赌博软件下载 郝立颖教授团队在《Engineering Applications of Artificial Intelligence》(EAAI)发表题为“CFENet: Cost-effective underwater image enhancement network via cascaded feature extraction”的科技论文。EAAI为人工智能领域权威期刊，最新影响因子7.5，现属于中科院1区Top期刊。

本研究针对水下环境所存在的成像模糊、色彩偏移、低能见度等视觉退化问题开展研究，并尤其从高实时性的角度，提出一种可快速部署实施的深度神经网络CFENet。该网络主要采用一种简单有效的级联特征提取架构，旨在借助极简嵌套残差块以及多尺度全局上下文块以实现对视觉退化图像特征的高效表征；另一方面，CFENet还通过双分支特征融合架构以实现对图像高级特征与低级特征的快速融合，进而以极低的计算负载保证视觉感知增强图像的快速生成。通过与前沿工作对比表明，本研究在多种视觉感知增强评估指标中取得优异结果的同时，其复杂度与仅包含10层卷积层的深度神经网络模型几乎持平。

三、成果应用前景

本研究提出的CFENet具备出色的实时性与快速部署能力，为水下视觉感知增强技术领域提供了一种高效、灵活的解决方案。在实际应用中，CFENet能够快速提升水下视觉质量，为水下目标检测、分类、识别等下游视觉任务提供更清晰、更可靠的视觉线索，进一步提升感知系统的整体性能与任务执行效率。此外，CFENet凭借高实时性与轻量化的特点，可便捷集成至水下机器人等智能设备中，实现增强算法的快速上线与在线运行，满足海洋工程中对“实时感知、即采即用”的实际需求。面向海洋资源开发、生态监测、应急救援等重要应用场景，CFENet的高效表现将为水下智能感知系统提供坚实支撑。其出色的工程可落地性与实时处理能力，为智慧海洋等实时响应型应用场景提供高效、可靠的视觉感知支持。

四、成果贡献人及项目资助情况

成果由网络赌博软件 青年教师纪勋、2022级硕士研究生王旭、郝立颖教授、哈尔滨工程大学智能学院院长蔡成涛教授共同完成，郝立颖教授与蔡成涛教授为论文共同通讯作者。本研究得到了国家自然科学基金、大连市杰出青年人才等项目资助。

五、成果联系人及联系方式

成果联系人：纪勋

联系方式：18103638248