本文介绍了一项关于在浑浊水下环境中通过深度学习实现高质量三维（3D）形状重建的研究。该研究由西安电子科技大学光电工程学院的Kui Yang、Pingli Han、Rui Gong、Meng Xiang、Jinpeng Liu、Zhao Fan、Teli Xi、Fei Liu（通讯作者）、Bingjian Wang和Xiaopeng Shao共同完成，并于2023年11月11日在线发表在《Optics and Lasers in Engineering》期刊上。

研究背景与目的

在浑浊的水下环境中，由于水和悬浮颗粒的吸收和散射作用，图像的清晰度、纹理细节以及像素级的偏振特性（如偏振度（Degree of Polarization, DOP）和偏振角（Angle of Polarization, AOP））受到严重影响，进而影响了3D重建的效果。传统的3D成像技术，如水下距离门控成像和结构光成像，虽然能够提供一定的3D信息，但其计算复杂且对硬件要求较高。此外，现有的水下图像增强方法在处理复杂水下环境时，往往难以准确估计物体的深度信息。因此，本研究提出了一种基于深度学习的偏振成像方法，旨在通过数据驱动的方式，解决浑浊水下环境中3D重建的难题。

研究方法与流程

本研究的主要流程包括以下几个步骤：

1. 水下图像去散射网络设计：首先，研究团队设计了一个水下图像去散射网络，用于生成清晰的水下图像。该网络通过拟合目标信号光的水下传输函数，去除后向散射光，从而增强图像的纹理细节。网络的结构类似于U-Net，包含多尺度局部特征提取模块（MLFE）、编码器模块（EBlock）和解码器模块（DBlock），能够有效提取图像的局部和全局信息。

2. 偏振信息的精确估计：在获得清晰图像的基础上，研究团队利用水下成像模型计算了物体的像素级DOP和AOP。通过分析清晰图像的先验信息，结合偏振成像模型，研究团队能够准确估计物体的偏振特性，为后续的3D重建提供关键输入。

3. 3D重建：最后，研究团队利用获得的清晰图像和偏振信息，实现了浑浊水下场景中物体的偏振3D重建。通过估计物体表面的法向量的天顶角和方位角，研究团队能够准确重建物体的3D形状。

实验结果

实验结果表明，该方法能够有效去除浑浊水下的散射光，生成清晰的图像，并准确估计物体的DOP和AOP。通过对比实验，研究团队展示了该方法在不同浑浊度下的3D重建效果。实验结果表明，即使在高度浑浊的水下环境中，该方法仍然能够准确重建物体的3D形状，且重建结果与真实情况高度一致。

结论与意义

本研究提出了一种基于深度学习的偏振成像方法，能够在浑浊水下环境中实现高质量的3D形状重建。该方法通过设计水下图像去散射网络，结合偏振成像模型，有效解决了传统方法在处理复杂水下环境时的局限性。实验结果表明，该方法在浑浊水下的3D重建中表现出色，具有较高的精度和鲁棒性。

该研究的科学价值在于提出了一种新的偏振成像方法，能够有效处理浑浊水下环境中的图像增强和3D重建问题。其应用价值主要体现在海洋探索领域，如海底测绘、珊瑚礁监测等。未来，研究团队计划进一步解决水下环境中的颜色信息恢复和噪声处理问题，以进一步提升该方法的性能。

研究亮点

1. 创新性方法：本研究首次将偏振成像技术应用于浑浊水下的3D重建，提出了一种基于深度学习的数据驱动方法，能够有效去除散射光并生成清晰的图像。
2. 高精度重建：通过精确估计物体的DOP和AOP，研究团队实现了高精度的3D重建，实验结果与真实情况高度一致。
3. 广泛的应用前景：该方法在海洋探索、水下监测等领域具有广泛的应用前景，能够为水下环境的科学研究提供强有力的技术支持。

其他有价值的内容

研究团队还提供了详细的实验数据和代码，供其他研究人员参考和使用。此外，研究团队还讨论了该方法在不同浑浊度下的表现，展示了其在复杂水下环境中的鲁棒性。