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

该研究提出了一种新颖的物理感知双流水下图像增强网络（PA-UIENet），该网络利用物理学基础的水下图像形成模型（IFM）和深度学习技术进行水下图像增强任务，并采用受 IFM 启发的半监督学习框架来解决数据不足的问题。该方法在降解估计和水下图像增强任务上表现优于八个基准模型。

Jul, 2023

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

本论文提出了一种基于深度学习和支持向量回归的水下图像保真度度量方法 (UIF)， 可以客观评估增强水下图像的画质。同时作者还建立了一个大规模的水下图像增强数据库 (UIED)，作为评估标准，实验证明 UIF 在客观指标方面优于多种水下和通用图像质量度量。

May, 2022

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

通过将深度先验注入到深度水下图像增强模型中，本论文提出了一种名为水下可变变焦（UVZ）的新型深度引导感知水下图像增强框架，该方法在不同区域实现了局部和非局部感知，并在多个基准数据集上取得了卓越的视觉增益和有希望的定量指标，特别是在异常光照条件下表现良好。

Apr, 2024

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

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