知识卡片：基于聚类感知循环传播与局部结构补偿的水下图像增强

英文标题：CLUIE: Clustering-Aware Recurrent Propagation with Local Structural Compensation for Underwater Image Enhancement

英文关键词：underwater image enhancement; visual RWKV; clustering-aware; dynamic reordering; local structural compensation; CRWKV; CSDR; DMLP

一句话结论

本文提出CRWKV框架，通过聚类感知语义动态重排序（CSDR）将传统RWKV的固定扫描路径改造为内容自适应的Token轨迹，并结合暗响应调制局部传播（DMLP）补偿空间局部连续性，在水下图像增强多个基准上取得了当前最优的定量性能和视觉质量。

事件概述/研究问题

水下图像因波长依赖的光吸收、散射和背向散射而出现色彩失真、对比度下降和细节丢失。同一图像中不同区域常表现出异质退化模式，需要区域自适应修复。视觉RWKV模型虽然以线性复杂度高效建模长程依赖，但其预定义的扫描顺序与内容无关，无法根据空间不均匀的修复需求调整循环状态传播路径。

方法/产品要点

• CRWKV框架：将传统RWKV的固定循环传播路径重新设计为内容自适应的Token轨迹。
• 聚类感知语义动态重排序（CSDR）：根据语义特征相似性对Token进行分组，并从簇间上下文关系中推导出动态遍历顺序，使WKV状态沿语义相关区域累积，而非固定空间或光谱顺序。
• 暗响应调制局部传播（DMLP）：通过深度卷积提取局部结构响应，并利用邻域感知的伪暗响应图自适应调节局部结构信号的传播强度，在保持内容自适应长程建模的同时补偿局部连续性。

主要结果或产业意义

• 在多个水下图像增强基准上，CRWKV达到了当前最优的定量指标和更优的视觉质量。
• 具体数值/详细对比结果：待核实（原文仅称“extensive experiments ... demonstrate state-of-the-art quantitative performance”，未在摘要中列出具体指标）。

为什么重要

• 首次将聚类感知机制引入视觉RWKV模型，解决了固定扫描顺序与水下图像空间异质退化之间的矛盾，为线性复杂度长程依赖模型在图像恢复中的应用提供了新范式。
• 同时兼顾了语义驱动的自适应建模与局部结构保持，超越了仅依赖全局或局部策略的已有方法。

局限与不确定性

• 动态重排序带来额外计算开销，实际部署效率需进一步验证；原文未提供推理速度或模型参数量对比。
• 伪暗响应图的构建与局部结构补偿是否对所有退化类型（如极低光照、强散射）均鲁棒？待核实。

可用于图书/PPT/简报的角度

• 以“水下图像为何难以统一增强”为引，说明传统全局模型与固定扫描模型的不足，引出“内容自适应轨迹”的核心思路。
• 图例示意：同一张水下图像中不同区域（如鱼、珊瑚、背景水体）需要不同的处理策略 -> CSDR如何将这些区域聚成语义簇并形成动态顺序 -> DMLP如何补回因重排丢失的局部细节。
• 对比表格：传统RWKV vs. CRWKV在PSNR、SSIM等指标上的差异（若有公开数据）。

原始材料

• 论文标题：CLUIE: Clustering-Aware Recurrent Propagation with Local Structural Compensation for Underwater Image Enhancement
• arXiv ID：2607.21467v1
• 作者：Kui Jiang, Zefan Feng, Laibin Chang, Yan Luo, Junjun Jiang, Xiaopeng Fan
• 发布日期：2026-07-23
• 分类：cs.CV
• 摘要来源：https://arxiv.org/abs/2607.21467v1