PUGAN: Physical Model-Guided Underwater ImageEnhancement Using GAN With Dual-Discriminators（论文阅读）

解决问题：在现有的UIE方法中，基于生成对抗网络(GANs)的方法在视觉美学方面表现良好，而基于物理模型的方法具有更好的场景适应性，结合两个方案的优势。

提出方法：physical model-guided GAN model for UIE (PUGAN)

摘要：由于水介质对光的吸收和散射，水下图像通常会出现对比度低、色彩失真、细节模糊等退化问题，加剧了下游水下理解任务的难度。因此，如何获得清晰悦目的图像已成为人们共同关注的问题，水下图像增强(UIE)的任务也应运而生。在现有的UIE方法中，基于生成对抗网络(GANs)的方法在视觉美学方面表现良好，而基于物理模型的方法具有更好的场景适应性。本文继承了上述两种模型的优点，提出了一种面向UIE的物理模型导向的GAN模型，简称PUGAN。整个网络采用GAN架构。一方面，我们设计了参数估计子网络(Par-subnet)来学习物理模型反演的参数，并将生成的颜色增强图像作为辅助信息用于两流交互增强子网络(TSIEsubnet)。同时，我们在tsie -子网中设计了一个退化量化(DQ)模块，对场景的退化进行量化，从而实现关键区域的增强。另一方面，我们设计了风格内容对抗性约束的双识别器，提高了结果的真实性和视觉美感。

A. Physical Model-Guided Generator

1)参数估计子网(parameter Estimation Subnetwork, Par-Subnet)：估计物理模型中的参数

2) Two-Stream Interaction Enhancement Subnetwork (TSIESubnet):

B. Dual-Discriminators (Dual-D)

C. Training Strategy and Loss Function

对于网络训练，我们采用两阶段训练策略。在第一阶段，对par -子网进行离线预训练。然后，在第二阶段，训练整个PUGAN，其中Par-subnet的参数固定，TSIE-subnet和Dual-D交替训练。