本文提出了一种弱监督颜色转移方法来处理水下图像的颜色失真问题。通过采用 Cycle-Consistent Adversarial Networks 以及多项损失函数的设计，使得矫正后的水下图像在内容和结构上与输入相同，但是看起来就像没有水下环境拍摄的图像。实验证明，该方法不仅可以显著改善水下图像的视觉效果，还能提高视觉任务的性能。

Oct, 2017

本文提出了一种针对水下图像色彩恢复问题的改进方法，通过考虑不同水类型的多个光谱特征并估计两个额外的全局参数，实现了单图像去雾处理。通过在包含不同水性质的场景中采集图像并计算 3D 结构进行量化评估，结果表明该方法具有较好的还原效果。

Nov, 2018

通过使用准确的陆地深度数据生成真实感的水下图像，我们提出了一种新的流程，实现了水下深度估计模型在未见水下图像上取得了相当大的定量和定性改进，并帮助了依赖于深度图的水下图像恢复技术。

Dec, 2023

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

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

通过使用空气中的图像训练扩散先验，结合基于水下图像形成模型的新颖引导方法，该方法在恢复极具挑战的场景中优于现有方法，去除水下图像效果。

Mar, 2024

通过构建大规模的 HICRD 数据集并提出新的基于 unsupervised image-to-image translation 框架、利用对比学习和生成式对抗网络的方法，我们的研究试图弥补基础难题导致的现有技术和算法难以对海底原始图片修复进行全面评估的空白，并在与其他方法的比较中证明了我们的方法的卓越性能。

Jun, 2021

通过联合学习介质和神经场表示的效果，我们提出了一种算法来还原水下图像中的真实色彩。我们的方法将水的效应建模为距离和反射光的光衰减的组合。我们的技术能够有效地恢复水下图像的真实色彩，从而提高了采样效率和数值稳定性。

Apr, 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

本文介绍了一种利用 WaterGAN 的生成对抗网络对单眼水下图像进行颜色校正的方法，WaterGAN 通过生成真实的水下图像来构建大规模的有标注数据集，内置的 end-to-end 网络可以通过对水下图像的处理后隐式地学习场景的粗略深度估计，同时在清水箱和实际场景测试中表现出色。

Feb, 2017