Pesquisadores chineses da Universidade de Tianjin desenvolveram uma rede neural invertível leve e eficiente chamada CPSENet, que usa operadores de cálculo fracional para aprimorar imagens subaquáticas polarizadas coloridas captadas por veículos submarinos não tripulados (UUVs). O sistema combate a distorção causada pela dispersão da luz na água turva, melhorando a percepção visual em aplicações como monitoramento ambiental, salvamento e aquicultura.
Comparação visual entre métodos de aprimoramento de imagem subaquática — PUIE, USUIR, TACL, WF-Diff, SMDR-IS, ANI, CPIFuse, U2PNet e o proposto CPSENet. As métricas UICM indicam melhor restauração de cor e detalhe para o CPSENet, com imagens mais nítidas e realistas sob diferentes condições de turbidez.
UUVs (Unmanned Underwater Vehicles) são equipamentos submersos que operam de forma autônoma ou controlada remotamente, sem a necessidade de operadores a bordo. Eles podem realizar missões complexas em ambientes subaquáticos desafiadores, como coleta de dados ambientais, monitoramento de aquicultura, inspeções e buscas. Por não dependerem de tripulação humana, têm capacidade para operar por longos períodos e em locais de difícil acesso ou alta periculosidade, o que os torna valiosos para usos militares, científicos e industriais. Seu funcionamento depende de sensores avançados e unidades de processamento a bordo que permitem navegar, captar imagens e transmitir informações em tempo real.
(A) Ambiente experimental de simulação com sistema de aquisição de imagem, fonte de luz e câmera polarizada. (B) Estrutura do método proposto, incluindo resolução, fusão e transformação de dados. (C) Resultados de simulações sob diferentes níveis de turbidez, mostrando imagens e parâmetros de polarização (S₀, DoLP, S₀’, DoLP’) utilizados para o treinamento e validação do CPSENet.Comparação de imagens polarizadas subaquáticas antes e depois do processamento com o módulo de convolução fracional dinâmica do CPSENet. As imagens S₀ e DoLP mostram a recuperação de detalhes e redução de ruído após o aprimoramento, evidenciando melhor contraste e textura nas áreas destacadas.
A inovação da rede neural CPSENet está no uso de uma convolução diferencial de ordem fracional dinâmica, que equilibra realces de detalhes finos com suavização de ruídos em diferentes regiões da imagem. A rede aproveita informações do grau de polarização da luz, capturando características geométricas tridimensionais dos objetos submersos. Além disso, um módulo invertível com conexões densas mantém a transmissão sem perdas dos recursos extraídos, minimizando distorções de cor.
Os pesquisadores criaram o maior banco de dados do tipo, o PCE-Dataset, com 4.674 pares de imagens reais e sintéticas em vários níveis de turbidez. Nos testes, o CPSENet superou dez algoritmos avançados de aprimoramento de imagem subaquática, exibindo melhor restauração de cor, preservação de detalhes e adaptação a condições desafiadoras, como iluminação ativa não uniforme.O método demonstrou excelente equilíbrio entre nitidez, fidelidade de cores e remoção de névoa, preservando texturas e arestas cruciais para a identificação de espécies e estruturas na água.Comparação visual entre múltiplos métodos de aprimoramento de imagem subaquática. (A–H) representam diferentes algoritmos; o CPSENet (E) apresenta melhor restauração de cor e textura, destacando-se pela nitidez e fidelidade visual nas regiões ampliadas.A capacidade compacta do modelo permite operação eficiente em embarcações autônomas com recursos limitados.Esse avanço tem grande potencial para melhorar a qualidade das imagens usadas em monitoramento marinho e aquicultura, possibilitando drones submarinos mais precisos na detecção de organismos e objetos. O artigo completo fornece detalhes sobre o novo algoritmo, o conjunto de dados e comparativos que confirmam a eficácia da abordagem.
