Resumo Técnico: Melhoria de Imagem Subaquática em Tempo Real via Atenção de Caminho Duplo Guiada por Frequência

Declaração do Problema

A melhoria de imagem subaquática (UIE - Underwater Image Enhancement) em tempo real é essencial para fotografia móvel, veículos autônomos subaquáticos (AUVs) e sistemas de visão embarcada. Essas aplicações exigem modelos com baixa latência, pegada de memória compacta e consumo mínimo de energia. Embora redes neurais convolucionais (CNNs) ultra-leves recentes baseadas em re-parametrização estrutural (ex: RepVGG, MobileOne) atendam a essas restrições de eficiência, elas operam primariamente no domínio espacial. Essa abordagem ignora a natureza sensível à frequência da degradação subaquática, onde a absorção de luz remodela as distribuições espectrais globais (afetando a cor) e o espalhamento atenua componentes de alta frequência (erodindo bordas). Métodos frequentes de consciência de frequência existentes dependem de arquiteturas pesadas ou decomposições de frequência complexas que introduzem um overhead computacional incompatível com a implantação em borda (edge deployment) em tempo real e com recursos limitados. Além disso, mecanismos de atenção clássicos e leves (ex: SENet, CBAM) carecem de modelagem de frequência explícita, enquanto os modelos re-parametrizações atuais tendem a perder a diversidade direcional e espectral quando os ramos se fundem em kernels únicos durante a inferência.

Metodologia

Os autores propõem uma estrutura de UIE leve que integra a modelagem no domínio da frequência em uma arquitetura CNN re-parametrização sem incorrer em overhead de inferência. A estrutura consiste em dois componentes primários:

1. Convolução Re-parametrização de Múltiplos Ramos com Priores de DCT Fixos (MBRConv-DCT)

Este módulo aumenta a capacidade de representação espectral de convoluções re-parametrizações padrão.

• Mecanismo: Durante o treinamento, a MBRConv-DCT adiciona um ramo dedicado de linha contendo kernels de Transformada Discreta de Cosseno (DCT) $3 \times 3$ não-DC fixos. Esses kernels codificam respostas de frequência direcionais estruturadas (horizontal, vertical, diagonal) abrangendo de baixas a altas frequências.
• Treinamento: O ramo inclui uma convolução pointwise aprendível e um portão escalar (inicializado em zero) para garantir que o ramo não interrompa o início do treinamento.
• Inferência: Crucialmente, o ramo DCT é inteiramente linear. Durante a fase de re-parametrização, esses kernels fixos e pesos aprendidos são fundidos analiticamente em um kernel de convolução $3 \times 3$ padrão. Consequentemente, a MBRConv-DCT enriquece a sensibilidade do modelo a pistas de frequência direcionais durante o treinamento, mas introduz zero parâmetros ou FLOPs adicionais durante a inferência.

2. Atenção de Caminho Duplo Guiada por Frequência (FGDPA)

Este módulo realiza a modulação adaptativa de características fundindo pistas espaciais e espectrais.

• Caminho de Frequência: Para garantir a invariância de resolução e estabilidade, o mapa de características de entrada é reduzido para uma grade fixa de $32 \times 32$. Uma Transformada Rápida de Fourier (FFT) 2D é aplicada para obter um espectro de magnitude com compressão logarítmica. O global average pooling agrega essas estatísticas para formar um descritor espectral compacto. Este descritor guia a modulação de canais diretamente no domínio da frequência, evitando o custo computacional de FFTs inversas.
• Caminho Espacial: Um ramo paralelo opera puramente no domínio espacial, usando max pooling e average pooling para gerar um mapa de saliência espacial.
• Fusão: Os dois caminhos são combinados via um mecanismo de portão híbrido estático e aprendível. O mapa de atenção final é uma soma ponderada e um produto elemento a elemento do mapa de atenção de canal guiado por frequência e do mapa de saliência espacial.
• Eficiência: O ramo de frequência opera em uma resolução constante de $32 \times 32$, e todas as convoluções são $1 \times 1$, garantindo um overhead de tempo de execução mínimo.

A estrutura retém o módulo de Auto-Transformação de Características (FST) do MobileIE para aumentar as interações não lineares de características. Toda a rede adota uma estrutura de treinamento re-parametrização que colapsa em um modelo de alimentação direta (feed-forward) leve para inferência.

Principais Contribuições

1. Módulo FGDPA: Um mecanismo de atenção ultra-leve que constrói um descritor espectral invariante de resolução a partir de magnitudes de FFT de resolução fixa. Ele aproveita estatísticas espectrais globais para guiar a modulação de canais sem FFTs inversas, capturando pistas de degradação global de forma eficiente.
2. MBRConv-DCT: Uma convolução re-parametrização de múltiplos ramos que injeta priores direcionais de DCT não-DC fixos durante o treinamento. Este ramo linear é analiticamente colapsável, enriquecendo a diversidade espectral sem adicionar custo de inferência.
3. Integração de Guia de Frequência: O trabalho demonstra que a orientação de frequência explícita pode ser integrada perfeitamente em CNNs ultra-leves e re-parametrizações, alcançando desempenho de estado da arte com apenas 4.23K parâmetros.

Resultados Experimentais

O método proposto foi avaliado no conjunto de dados UIEB (supervisionado) e nos conjuntos de dados EUVP e UIQS (não supervisionado/sem referência).

• Desempenho: No benchmark UIEB, o modelo alcançou 23.97 dB PSNR e 0.9155 SSIM, superando o competidor leve mais forte (MobileIE) em mais de 1.1 dB enquanto mantinha uma contagem de parâmetros comparável (~4.2K). Também superou o muito maior U-Shape Transformer (31.5M de parâmetros) tanto em métricas baseadas em distorção quanto perceptivas (menor LPIPS de 0.1188).
• Generalização: Nos conjuntos de dados do mundo real (EUVP e UIQS), o modelo demonstrou robustez superior, alcançando pontuações de estado da arte em UIQM e UCIQE no EUVP e classificando-se em segundo lugar no geral no UIQS.
• Eficiência: O modelo opera a 628+ FPS em resolução $480 \times 640$ em uma NVIDIA RTX 3090. Em uma plataforma embarcada (Jetson AGX Orin), ele atinge 106.9 FPS com uma latência de 9.35 ms.
• Estudos de Ablação: Remover a magnitude de frequência do caminho de atenção causou uma queda significativa de desempenho (de 23.97 dB para 22.81 dB), confirmando que a modulação de canal consciente de frequência é indispensável. Os kernels DCT fixos forneceram um viés indutivo espectral robusto, com o desempenho permanecendo estável através de diferentes contagens de kernels ($K=2$ a $8$).

Significância e Alegações

O artigo afirma que a modelagem de frequência explícita pode ser efetivamente integrada em CNNs ultra-leves sem sacrificar o desempenho em tempo real. Ao utilizar priores espectrais estruturados (via MBRConv-DCT) e estatísticas de FFT leves (via FGDPA), a estrutura proposta aborda a degradação específica sensível à frequência das imagens subaquáticas que os modelos puramente espaciais perdem.

Os autores posicionam este trabalho como uma solução para o "hiato de eficiência-eficácia" nos atuais modelos de re-parametrização ultra-leves. Eles demonstram que os ganhos de desempenho neste domínio não requerem necessariamente o aumento da profundidade do modelo ou da contagem de parâmetros, mas sim a melhoria da eficiência representacional de cada parâmetro através de um design consciente da frequência. Os resultados sugerem um forte potencial para implantar esses modelos em plataformas de recursos limitados, como drones subaquáticos e sistemas robóticos embarcados.