介绍了一种名为 WF-Diff 的新型水下图像增强框架，利用频域信息和扩散模型的特性，通过 Wavelet-based Fourien information interaction network (WFI2-net) 和 Frequency Residual Diffusion Adjustment Module (FRDAM) 的网络来实现水下图像的增强和细节调整。该算法在真实水下图像数据集上显示了最先进的性能，并在视觉质量方面取得了有竞争力的表现。

Nov, 2023

通过使用统计观察，该论文提出了一种基于残差特征传递模块（RFTM）的方法，将具有严重退化的图像区域用于水下物体检测的先验代替，并应用于 CNN-based 特征提取网络，以提高水下物体检测的性能。实验结果显示，该方法在速度和参数数量方面优于基于 CNN 的检测器，并且表现仍优于基于 Transformer 的检测器。

Aug, 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

我们提出了一种嵌入频域和双色编码器网络（FDCE-Net），通过利用频率空间残差块（FSRB）将水下图像的降解因素在频域中解耦并分别增强不同属性，同时引入双色编码器（DCE）以解决颜色偏移问题，并通过融合网络结合 FS-Net 和 DCE 的输出生成细节丰富、纹理清晰、噪声低和自然色彩的最终增强图像。

Apr, 2024

本文提出了一种新颖的网络，名为 HIFI-Net，用于增强水下图像，它包含一个基于强化融合单元（RFU）的 Haar 小波图像强化的强化融合模块（RFM-Haar），用于融合原始图像及其内部的重要信息，以获得更好的增强效果。实验结果表明，所提出的 HIFI-Net 在三个数据集上表现最佳，标准度量和新度量均有所提高。

Jun, 2022

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

该研究通过使用多尺度转换网络和半监督学习，提出了一种用于增强多频率图像的方法，通过非线性频率感知注意机制和多尺度融合前馈网络进行低频增强。此外，还引入了一种专门的水下半监督训练策略，提出了一个水下感知损失函数以生成可靠的伪标签，实验证明该方法在数量和视觉质量方面优于现有的水下图像增强方法。

Oct, 2023

本文提出了一种用于水下图像恢复的深度神经网络模型 Deep WaveNet，采用多重上下文特征和注意力跳过机制，有效地解决了水下环境中波长不对称性引起的色彩失真问题。文中实验证明，该模型在多个高级视觉任务方面表现优于已有模型，并且开源代码。

Jun, 2021

本文通过对海底图像进行感知研究来评估现有算法在实际数据中的表现，并提出了一个海底图像增强基准 (UIEB) 数据集，包括 950 张真实图像以及涉及卷积神经网络的算法，以此来评估现有算法的性能和局限性。

Jan, 2019

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