UIEC^2-Net：使用双颜色空间的 CNN 水下图像增强

基于摘要分析。本文研究水下图像增强，针对仅在 RGB 颜色空间中处理图像难以直接调节亮度、饱和度等属性的问题，提出端到端可训练的 UIEC^2-Net，将 RGB 与 HSV 两种颜色空间的处理整合到同一 CNN 中。研究对象是水下图像，而非神经信号或 BCI。 方法包含三个模块：RGB 像素级模块负责去噪、去除偏色等基础处理；HSV 全局调整模块通过作者提出的 neural curve layer，整体调节图像亮度、颜色与饱和度；注意力图模块为各像素分配融合权重，结合 RGB 与 HSV 模块输出图像的优势。其核心设计是区分局部像素修复与全局图像属性调整，再通过空间自适应融合得到增强结果。作者称，据其所知，这是首次在基于深度学习的水下图像增强中使用 HSV 颜色空间；该优先性声明尚未独立核实。 作者报告，在合成及真实水下图像上的实验中，该方法在主观比较和客观指标方面表现良好。但摘要未提供数据集名称、划分、对照方法、具体指标或数值，尚不能判断收益幅度及适用条件。损失函数、neural curve layer 的具体参数化、训练设置、消融及统计信息尚未验证。 摘要提供了代码仓库链接，但代码可用性与复现条件尚未核验。材料未建立颜色空间机制与 EEG/BCI 瓶颈的具体对应关系，因此不据此提出神经信号迁移结论或复现实验建议。