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

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

本文提出了一种内容保留扩散模型（CPDM），通过将扩散模型作为基础模型进行稳定训练，并设计内容保留框架来处理成像条件的变化，从而有效地解决水下图像增强任务中的挑战。实验证明了 CPDM 的有效性，在主观和客观指标上均超过了现有技术方法。

Jan, 2024

通过在水下场景中使用扩散模型进行图像增强的方法，本文提出了一种方法。我们的方法利用水下图像和高斯噪声作为输入，采用条件降噪扩散概率模型生成相应的增强图像。此外，为了提高扩散模型中的反向过程的效率，我们采用了两种不同的方式。我们首先提出了一种基于轻量级 Transformer 的降噪网络，可以有效提升每次迭代的网络正向时间。另外，我们引入了一种跳跃抽样策略来减少迭代次数。此外，在跳跃抽样策略的基础上，我们提出了两种不同的非均匀抽样方法，即分段抽样和使用进化算法进行搜索。它们都是有效的，并且通过相同的步骤针对以前的均匀抽样进一步提高性能。最后，我们对最近最先进的水下增强数据集和提出的方法进行了相对评估。实验结果证明，我们的方法既能取得竞争性的性能，又具备高效性。我们的代码可在 https://github.com/piggy2009/DM_underwater 中获得。

Sep, 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

本文提出了一种 PUGAN 物理模型引导的生成对抗网络模型，具有更好的场景适应性和视觉美感，并通过对关键区域进行强化增强，以获得清晰且视觉愉悦的水下图像。

Jun, 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

设计了一个名为 IA2U 的转移插件，通过多个先验条件将室内模型转化为水下应用，从而在水下环境中提高图像增强和物体检测的性能。

Dec, 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