本文提出了一种单图像低光度水下图像增强方法，L^2UWE，该方法是基于局部对比信息推导出的大气光照模型，在强调高亮度、显著度和局部对比区域的情况下，通过多尺度融合过程生成两个增强图像，一个突显更细节的细节，另一个侧重于去除黑暗。通过七种评价指标测试，该方法表现优异并比七种先进的水下和低光度场景增强技术效果更好。

May, 2020

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

我们提出了一个插拔式的水下联合图像增强模块 (UnitModule)，可以为检测器提供所需的输入图像，并且通过无监督学习提高 UnitModule 与检测器之间的交互效果。在水下图像的不同色偏情况下，UnitModule 通过配合的色偏损失和一种数据增强方法 (UCRT) 来改善性能。通过在不同的目标检测模型上进行广泛实验，我们发现 UnitModule 在 YOLOv5-S 模型上能够实现 2.6 AP 的最高性能提升，并可以在全新的测试集 (URPCtest) 上获得 3.3 AP 的提高。UnitModule 显著提高了我们测试的所有目标检测模型的性能，特别是对于参数数量较少的模型而言，而且对原始目标检测模型的推理速度影响较小。我们的定量和视觉分析也证明了 UnitModule 在增强输入图像和提高检测器对目标特征的感知能力方面的有效性。

Sep, 2023

通过将深度先验注入到深度水下图像增强模型中，本论文提出了一种名为水下可变变焦（UVZ）的新型深度引导感知水下图像增强框架，该方法在不同区域实现了局部和非局部感知，并在多个基准数据集上取得了卓越的视觉增益和有希望的定量指标，特别是在异常光照条件下表现良好。

Apr, 2024

本论文介绍了一种协作对抗鲁棒性网络（CARNet），用于水下图像增强和后续检测任务。通过引入具有强大扰动感知能力的可逆网络来隔离水下图像中的攻击，防止对图像增强和感知任务的干扰，并结合视觉驱动和感知驱动攻击的同步训练策略，使网络能够识别和去除各种类型的攻击。此外，还结合攻击模式判别器提高网络对不同攻击的鲁棒性。实验证明，该方法输出视觉上令人满意的增强图像，并相比最先进方法具有平均 6.71% 更高的检测 mAP。

Sep, 2023

本研究提出了一种名为 SyreaNet 的框架，它融合了合成和真实数据，并以修订的水下图像形成模型和新颖的领域自适应策略为指导，旨在提高水下图像增强的质量。实验表明，我们的框架在 qualitatively 和 quantitatively 方面均优于其他最先进的基于学习的水下图像增强方法。

Feb, 2023

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

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

基于轻量级选择性注意力网络（LSNet）的高效深度学习模型在水下图像增强方面取得了出色性能，相较于其他基于注意力机制的模型，LSNet 在参数数量和计算资源上均显著减少，并获得了 97% 的峰值信噪比。

May, 2024