研究背景

在深海条件下，长距离的声路和复杂未知的环境导致全覆盖海底多波束背向散射数据的获取变得极为困难，其生成的海底背向散射强度图出现中央波束异常、漏测、误测等问题，针对该问题，通常先将噪声（中央波束异常值、误测值）去除，再利用插值的方法将其空缺修复，其优势在于不依赖于先验模型，对数据本身假设少，与原图的灰度分布基本保持一致。然而，在修复的过程中发现：常规插值方法对于较小的空缺区域有着较好的修复效果，但在较大的空缺区域出现了明显的锯齿、模糊和修复不全的现象，因此，迫切需要构建稳定性更高、泛化性更好的强度图像修复模型。

研究成果

针对上述问题，海底科学与划界全国重点实验室海底地貌演化与沉积过程团队博士生胡海洋（第一作者）、吴自银研究员（通讯作者），提出了一种面向深海多波束背向散射强度图像的UNet-NNI（Nearest Neighbor Interpolation）联合修复方法（图1）。首先，构建了融合快捷连接与多尺度通道空间注意力机制的UNet-MCSA（Multiscale Channel Spatial Attention）模型，利用英国周边海域获取的背向散射数据进行训练，并以太平洋深海区域数据开展验证。在此基础上，通过整合直方图匹配与最近邻插值方法，构建了UNet-NNI协同修复框架，显著提升了大幅空缺区域的成像清晰度。

图1 总体流程图，包括残差网络块、上采样块、下采样块以及多尺度通道空间注意力机制块

实验结果1表明，相较于经典插值算法与传统深度学习方法，本研究方法在浅海（图2）与深海（图3）强度图像中均能实现更高的结构保真度与强度一致性，有效修复大面积缺失区域，生成视觉与物理特性一致的强度图像，从而为深海多波束背向散射修复提供了一种实用的“深浅结合”的新范式。

图2 不同破损程度的浅海强度图像修复结果

图3 不同破损程度的深海强度图像修复结果

实验结果2表明，本研究所提出的联合UNet-NNI图像修复方法及传统修复方法在保持图像灰度一致性与重建结构准确性方面均具有显著优势。探究了不同矩形缺损宽度与不规则缺损强度条件下的修复模型精度。图4展示了本研究方法与自编码器（Autoencoder, AE）、生成对抗网络（Generative Adversarial Network ,GAN）、最邻近插值（Nearest Neighbor Interpolation, NNI）、UNet-MCSA等方法在不同矩形缺损宽度条件（像素缺损宽度范围：1-25）下的图像修复性能，评价指标包括均方根误差（Root Mean Square Error, RMSE）、峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、结构相似性指数（Structural Similarity Index Measure, SSIM）和图像清晰度指标（Variance of the Laplacian, VL）。总体而言，本研究所提出的UNet-MCSA与UNet-NNI在所有指标上均优于其他传统方法。

图4 精度评价图

文章信息

研究成果发表于国际地学期刊《IEEE Transactions on Geoscience and Remote Sensing》，受国家重点研发计划、海底科学国家重点实验室专项科研基金、国家自然科学基金等项目资助。

Hu Haiyang, Wu Ziyin*, Wang Mingwei, et al. UNet-NNI: A collaborative inpainting method based on deep-sea multibeam backscatter intensity images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2026: 4202020, doi: 10.1109/TGRS.2026.3659210.