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

我们提出了一种新颖的水下图像增强方法，通过利用多导向扩散模型进行迭代增强。我们使用图像合成策略并结合对比语言 - 图像预训练（CLIP）来训练一个控制扩散模型生成过程的分类器，在高频区域提出一种快速微调策略，结果表明我们的方法具有更自然的外观。

May, 2024

我们介绍了一种名为 PA-Diff 的新型水下图像增强 (UIE) 框架，设计用于利用物理学知识来指导扩散过程，并证明了该方法在 UIE 任务上取得了最佳性能。

Mar, 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

通过物理知识引导的动态模型，通过对海洋影像的大气、透射和先验进行动态卷积、自适应参数提取和多尺度特征提取，实现对水下图像的普遍增强。

Aug, 2023

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

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

我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法，它利用波浪变换加速推理并降低计算资源使用但不损失信息，并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块，利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明，我们的方法在定量和视觉上均优于现有的最先进方法，并且与以前的扩散方法相比，在效率上获得了显着的提高。此外，我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。

Jun, 2023