利用预测图像动态更新伪标签，将动态梯度添加到优化网络的梯度空间，通过特征恢复与重建模块和频率域平滑模块降低各种类型噪声对网络性能的影响，实现了在水下图像增强方面的显著优势。

Dec, 2023

本文提出了一种新的内部 - 外部表示学习（UIERL）网络，通过内部联结和外部信息交互的方式以更好地执行 UIE 任务，解决先前方法中存在的区域质量差异和互相关联的图像之间的信息利用不足的问题。

Jun, 2023

无需训练的 UniMIE 扩散模型通过依赖单个预训练的 ImageNet 模型，在各种医学图像模态中展示了无监督增强能力，具有更好的质量、鲁棒性和准确性，有助于加速诊断工具和定制化治疗计划的发展。

Jun, 2024

通过应用深度学习中的残差和注意机制，本论文提出了一种更可靠和合理的名为 RAUNE-Net 的 UIE 网络，该网络在瓶颈处使用了高级特征的残差学习，并在下采样过程中进行了两个方面的注意操纵。此外，我们收集和创建了两个特别设计用于评估 UIE 方法的数据集，包含不同类型的水下失真和退化。实验证明，与其他八种 UIE 方法相比，我们的方法在各种真实水下图像上获得了有前途的客观性能和一致的视觉结果。

Nov, 2023

水下图像增强是计算机视觉领域的一个具有挑战性的研究任务，文章综述了多个角度，包括物理模型、数据构建过程、评估指标、损失函数以及最新算法在网络架构、学习策略、学习阶段、辅助任务、领域视角和解缠融合等六个方面的贡献，并通过定量和定性评估在多个基准数据集上对最先进的算法进行了综合和公正的比较，同时提出了水下图像增强任务中值得进一步研究的问题。

May, 2024

本研究提出了一种名为 SyreaNet 的框架，它融合了合成和真实数据，并以修订的水下图像形成模型和新颖的领域自适应策略为指导，旨在提高水下图像增强的质量。实验表明，我们的框架在 qualitatively 和 quantitatively 方面均优于其他最先进的基于学习的水下图像增强方法。

Feb, 2023

本研究提出了一个迭代框架，用于在水下图像增强中识别和解决单一主导退化条件。使用深度网络来识别主导退化条件，然后选择相应的深度网络进行特定条件的图像增强，实验证明该方法在两个标准数据集上优于其他九种基准方法。

Jun, 2024

本文提出了一种名为 UIE 的统一文本到结构生成框架，可通用地模拟不同的信息提取任务，通过基于模式的指示器机制自适应生成目标结构，并通过大规模的预训练文本到结构模型捕捉共同的信息提取能力。实验结果显示，UIE 在四个 IE 任务、13 个数据集和不同的实验条件下实现了最先进的性能，验证了其有效性、通用性和可迁移性。

Mar, 2022

水下图像增强中，UIEDP 是一个新的框架，将 UIE 视为在退化水下输入条件下清晰图像后验分布采样过程，通过结合先前训练的扩散模型和任何现有 UIE 算法，以改进合成图像的质量，从而生成更高质量且更自然的图像。

Dec, 2023

本文介绍了一个用于水下图像处理的系统，构建了一个大规模的水下图像数据集 (RUIE)。在 RUIE 上，对多种算法进行了海量实验，以评估其在提高图片可视度和校正色调方面的效果和限制，并在提高可视度和校正色调的基础上，探索了其对目标检测的贡献。

Jan, 2019