我们提出了一个双层优化方法，用于共同学习水下物体检测和图像增强，并将其展开为一个双重感知网络（DPNet）。DPNet 通过一个共享模块和两个任务子网络从两个不同任务中学习，寻求共享表示。共享表示为图像增强提供更多结构细节和物体检测提供丰富的内容信息。通过广泛的实验，我们的方法在实际和合成水下数据集上展示出对视觉的青睐以及更高的检测准确性。

Jul, 2023

本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

May, 2022

提出了一种条件生成式对抗网络模型来实现实时水下图像增强，该模型基于全局内容、颜色、局部纹理和样式信息来评估感知图像质量，并使用 EUVP 数据集进行监督学习，可以从匹配和非匹配训练中学习提高水下图像质量，进而进一步提高水下物体检测、人类姿态估计和显著性预测等任务表现。

Mar, 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

本文介绍了一种用于增强不同水域下水下图像的模型，采用深度学习技术，通过对图像特征进行无关领域的学习，提高了图像增强的性能，并在物体检测任务中表现出了显著的改善。

May, 2019

该研究使用现有的水下数据集 Brackish-Dataset，评估了多种目标检测模型（包括 EfficientDet，YOLOv5 等）在含盐度高、可见度低的自然复杂环境下的效果，其中，通过修改 EfficientDet 的机制，实现了对抗性干扰下高 Iou 的复杂特征融合，并提供了针对模型黑盒性的类激活映射解释。研究结果表明，修改后的 EfficientDet 在五倍交叉验证下，比其他模型表现更好，具有更高的 IoU。

May, 2023

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

本文提出了一种使用生成对抗网络 (GANs) 来提高可视水下场景质量的方法，该方法可以为水下机器人在视觉驱动任务上的表现提供更好的输入，同时提供了定量和定性数据，证明了这种方法的有效性。

Jan, 2018

近年来，在水下图像增强（UIE）领域取得了显著进展，但其在自主水下载具（AUVs）中的水下物体检测（UOD）等高级视觉任务中的实际应用仍较少探索。我们介绍了一种集成实时框架 EnYOLO，旨在同时进行 UIE 和 UOD，并具有域自适应能力。综合实验表明，我们的框架不仅在 UIE 和 UOD 任务中达到了最先进的性能，而且在应用于不同的水下场景时显示出了卓越的适应性。

Mar, 2024

提出了一种基于改进的 Cycle GAN 模型的水下图像增强方法，利用深度导向关注机制增强整体图像对比度，保持全局内容、颜色、局部纹理和样式信息不变，该方法在包含配对和非配对水下图像集的基准数据集上训练，定性和定量评估结果表明该模型适用于自主水下航行的视觉导航。

Apr, 2024