Underwater Color Restoration with Vanishing Uncertainty
Grigory Solomatov, Derya Akkaynak
eess.IV, cs.CV
2026-08-16
SeaThru 作者所在的海法团队为水下图像去水给出理论上可解的充分条件:同色区域像素覆盖的距离足够多样时,恢复误差区间随相机分辨率提高收敛到零,且对相机零假设。
水下照片的颜色失真来自光在水中的吸收与散射:光每走一米都按波长衰减,再叠一层蓝绿色背景光。珊瑚白化监测、叶绿素浓度估计、物种分类这些水下科研应用,前提都是颜色可作为可信信号。SeaThru(2019,同一资深作者 Akkaynak)等物理模型方法能把颜色恢复到看起来不错,但验证几乎全靠经验:拿一组有真值的图跑端到端,好使就好使。水的光学性质随空间和时间剧烈变化,部署条件一旦偏离验证条件,置信度就归零。
更糟的是,这篇先证明了恢复问题在完全一般的数学设定下病态到什么程度(定理 III.4):只拿像素值和距离做输入,解空间覆盖整个实数轴,任何输出都自洽。经验验证之所以一直是唯一选择,正因为没人知道哪些约束足够、真实数据又满足哪些。这篇补的是理论侧的第一块:给出一组让问题可解的充分条件。
成像模型是辐射传输方程的简化式:像素值 = 衰减后的物体辐射 + 随距离累加的背景散射,对可见光波段积分。核心工具是固有辐射分割(inherent radiance segmentation),把图像按「去掉水之后颜色相同」划成若干段。两个结果都围绕它。
结果一(定理 V.3):有了分割,恢复变成函数外推,误差可控。 在每个同色段内先减掉背景光,恢复到任意距离 z 就等价于外推一条衰减曲线。做法是在段内找一组线性组合系数 αₖ,使 ΣαₖP̄ₖ 与目标值之差最小。额外输入只要三样:衰减系数的上下界、一张「无穷远」像素(纯水背景光)、已知分割。误差项 Ψ 随段内互不相同的距离数增加而收敛到零,依据是逼近论里的 Müntz–Szász 定理,条件是 Σzᵢ⁻¹ → ∞,即距离不能增长太快。直观理解:同一条鱼身上的像素,只要覆盖的距离足够多样,就能把衰减曲线钉死。
结果二(定理 VI.8):分割本身在理想化条件下可以被算法确定。 对连续图像(profile)提三个条件:connected,同色区域在图中是单个连通块;discrete,每个区域被无限采样;ε-separable,不同固有辐射在「距离-亮度」空间里至少隔 ε,强禁止同色异谱。加上深度图连续,就存在一个算法能在分辨率足够高时正确分组像素。
相对前作(同两位作者,2026 年 5 月的 arXiv 2605.03837)有两点改进:不再假设完美高光谱相机,对相机零假设,任何相机都行,连单色相机也可以,光谱敏感度函数不需要已知;分割从神谕给出变成给出算法可判定的条件。
这是纯理论论文,没有在任何真实数据集上跑实验,也没有指标表。定量内容是示例与误差界:
| 内容 | 结果 | ||
| 完全一般设定的解空间(定理 III.4) | 整个实数轴 R | ||
| 有分割后的误差 | ±Ψ·∫ | L−B | S dλ,Ψ→0 当段内不同距离数→∞ |
| 对相机的假设 | 零,单色相机也支持,光谱敏感度可未知 | ||
| 图 2 示例 | z=10–15 均匀采样,外推曲线紧贴真值,灰区给出误差界 |
图 2 里画了一条 log-linear 回归曲线做对照(对距离取对数做线性拟合再外推,工程上常见的近似):图上可见它偏离真值曲线。论文没有给这个对照的定量比较,「常见近似会跑偏」在此只是图示层面的信息。
对做水下成像的人,这篇划的是地基,不是盖楼。神经网方法在水下恢复上数量庞大,它们共同的问题是:没有理论说清输入信息何时足以恢复输出。这组条件之后可以当检验清单用,新方法声称解决了恢复问题,先问它隐含依赖了哪几条约束、真实数据满足吗。这和 LLM 评测里「先证明任务可解再谈模型好坏」是同一个逻辑。
一个对所有人有用的副产物是对相机的零假设。前作要求完美高光谱相机,现在任何相机(包括单色)在原则上都支持,光谱敏感度不用标定,适用面从实验室推到了任意存量设备。
Akkaynak 是 SeaThru 与 2018 年修水下成像模型(即本篇所用模型)的第一作者,这篇可视为其方法线十年后补的理论根基。
作者自己承认得很直白,条件理想化程度「超出直接适用于真实图像」。逐条列:
读下来的存疑点:无穷远像素在真实图像里未必存在,论文对它怎么获取(比如把远处水柱当无穷远)没有展开。另外模型只对水平观测有效,这对常见俯视、仰视拍摄的应用场景是硬限制,论文只在推导里提了一句。