水下AI终于学会给图片“量体裁衣”了

你戴着GoPro潜到三亚近海，想拍珊瑚丛里的小丑鱼，回放时却只看到一片模糊的蓝绿色；换到西沙清澈的浅水区，增强后的画面又红得刺眼——这是水下摄影的噩梦，也是AI图像增强的老毛病：不管图片“病情”轻重，全用同一种“药方”。2026年4月，武汉大学和香港理工大学的团队拿出了SDAR-Net，让AI第一次能像皮肤科医生那样，给每张水下照片定制修复方案，在真实数据集上把峰值信噪比（PSNR）拉到了25.72dB，比之前的最优方法还高了0.8dB。

先把照片拆成“骨架”和“皮肤”

水下照片的退化有个关键规律：光的吸收和散射只会糟蹋“皮肤”——也就是整体色调、对比度这些“风格”特征，但珊瑚的轮廓、鱼的形状这些“骨架”结构其实没怎么变。SDAR-Net的第一步，就是把这两者彻底拆分开。 它用一个轻量级编码器，专门盯着图片的梯度信息——也就是边缘和轮廓，提取出代表“骨架”的结构特征C；同时用格拉姆矩阵过滤掉内容信息，只留下反映蓝绿色偏、模糊程度的“皮肤”风格特征S。格拉姆矩阵就像一个风格滤镜，能精准抓住梵高的笔触、莫奈的光影，放到这里，就是只关心照片是偏蓝还是偏暗，完全不管拍的是鱼还是珊瑚。

训练时，模型会逼着风格特征S向清晰照片的风格靠拢，同时严格保证结构特征C不被改动——相当于给褪色的老照片换皮肤，却绝不碰里面的人物骨架。

让AI自己选“修复强度”

解决了“拆”的问题，接下来是“治”。SDAR-Net准备了三套修复方案：不增强的原图（状态0）、增强一次的版本（状态1）、增强两次的深度修复版（状态2）。关键是怎么给每张图选最合适的方案？ 团队设计了一个叫Ada-Route的“智能分诊台”。它会把风格特征S喂进去，输出一组0到1之间的权重——比如给轻度退化的浅水区照片分配[0.4, 0.6, 0]的权重，意思是用60%的轻度增强混40%的原图，避免过度泛红；给重度退化的深海照片分配[0, 0.1, 0.9]的权重，直接用深度修复。

这个“分诊台”不用人工教，它会自己做实验：对同一张退化照片分别试三种增强，用PSNR指标自动判断哪个效果最好，把这个结果当“标准答案”来训练自己。到最后，它看一眼风格特征，就能精准判断这张照片该用“温和调理”还是“猛药去疴”。

不止是好看，更是有用

SDAR-Net的厉害之处，不止是让照片看起来舒服。在水下语义分割任务中，用它增强后的图片训练模型，平均交并比（mIoU）达到了68.06%，比用传统增强方法高了5个百分点——这意味着水下机器人能更准确地识别珊瑚、鱼类和海底地形。 当然它也有局限：多路径计算让它的推理速度比单一路径模型慢了2倍，在需要实时处理的水下机器人上部署还得做轻量化；而且它的“分诊”能力依赖训练数据的多样性，如果遇到从未见过的极端水质，比如充满泥沙的黄河入海口，可能还是会“误诊”。 更值得关注的是，这种“拆分开、按需治”的思路，不止能用于水下。把风格换成雾天的灰度、夜景的噪点，结构保持不变，这套方法就能直接搬到雾天去雾、夜景增强的任务里——这才是它真正的价值：给所有“一刀切”的图像修复问题，提供了一个通用的解题思路。

过去十年，AI图像增强一直在追求“更强大的统一模型”，试图用一个公式解决所有问题。SDAR-Net却拐了个弯：既然问题本身是多样的，那解决方案也该是多样的。 它就像给AI装上了一双会观察的眼睛，不再是对着所有照片猛打“美白针”，而是先看清楚：这张是晒黑了，那张是冻伤了，然后再对症下药。从“统一修复”到“按需定制”，这才是AI理解图像的开始。 未来的AI图像修复，或许不会再追求单一的“最优解”，而是会变成一个能应对无数种“个性化问题”的工具箱。