中国科学院合肥物质科学研究院王汝菁、王六三教授团队领导的科研团队，建立了一种可学习的全频变压器双生成对抗网络(LFT-DGAN)，用于解决各类干扰导致的水下图像质量下降问题。

水下图像增强技术旨在优化水下图像的质量，满足海洋科学研究、水下机器人、物体识别等多样化的需求。由于水下环境的特殊性，图像经常受到噪声、色彩偏差等影响，增强难度极大，亟待提高水下图像的质量。

在本研究中，研究人员利用可逆卷积和对抗神经网络的知识，建立了一个双生成对抗神经网络

提出了全频变压器的神经网络模型，并通过多次水下图像实验数据对比验证了其有效性。

利用该模型，他们首次应用可逆卷积的图像分解技术，准确分离图像的不同频率特征。

此外，研究人员还利用了一种先进的变换器模型，该模型可以学习来改善不同类型信息的交互和整合。他们还创建了一个双域鉴别器，以更好地捕捉和分析图像的频率特征。

“这项研究的成果和方法为水下图像增强的后续研究和发展提供了坚实的理论基础和有力的支持。”王六三说。