RQUL-UIE: Revitalizing Quality-Unstable Labels for Underwater Image Enhancement via In-Dataset Self-Supervision
本文提出一种基于扩散模型的在数据集自监督学习策略，旨在利用训练标签的质量分布提升水下图像增强性能。该方法通过预训练扩散模型以无训练方式评估标签质量，并将评分量化为噪声水平索引以指导分层去噪过程，防止低质标签干扰模型同时最大化其效用；此外引入傅里叶基细化网络重构高频分量。实验表明，该策略在恢复质量上持续优于最先进方法。代码与预训练模型将在论文被接收后通过链接提供。