- IDA-UIE：一种基于深度网络的 degradation-aware 水下图像增强的迭代框架
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。
- LU2Net：一种轻量级实时水下图像增强网络
提出了一种用于实时增强水下图像的新型 U 形网络 LU2Net，通过引入轴向深度卷积和通道注意力模块，显著降低了计算需求和模型参数，从而提高了处理速度，并能以比现有最先进的水下图像增强方法快 8 倍的速度提供增强后的水下图像。此外，LU2N - PixMamba: 在双层架构中利用状态空间模型进行水下图像增强
使用 PixMamba 和 State Space Models，PixMamba 能够有效地处理水下图像增强的问题，提供了全局依赖建模的能力，并通过 EMNet 和 PixNet 两级策略实现了高效的全局上下文信息获取和视觉上更好的结果。
- 基于深度学习的水下图像增强综述
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 - 基于扩散模型和定制 CLIP 分类器的水下图像增强
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 - 一个基于传输映射先验的水下图像增强模型（参数 7K）
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。
- 水下可变焦深度引导感知网络用于水下图像增强
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 - CVPRUVEB：面向实际水下视频增强的大规模基准和基线
通过构建第一个大规模高分辨率的水下视频增强基准 (UVEB)，我们能够更有效地促进水下视觉的发展，并且我们提出的第一个有监督的水下视频增强方法 UVE-Net 通过充分利用水下视频的降质信息，实现了更好的视频增强效果。
- MambaUIE&SR: 揭示海洋的秘密仅需 2.8 FLOPs
通过使用基于状态空间模型的 MambaUIE 方法，可以高效地合成全局和局部信息，仅具有少量参数，并提高准确性。
- 分离式注意力：一种基于 Cycle GAN 的改进型水下图像增强方法
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 - 领域适应水下目标检测与图像增强的实时框架
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 - 基于 Transformer 的面向物体识别的水下图像增强的物理感知扩散模型学习
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。
- CPDM：用于水下图片增强的内容保留扩散模型
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。
- MuLA-GAN: 提升水下视觉的多级注意力生成对抗网络
MuLA-GAN 是基于生成对抗网络（GAN）和多级注意力机制相结合的一种新方法，用于全面改善水下图像。模型的多级注意力机制在捕捉和保留水下图像的细节方面表现出色，且在各种应用中优于现有的尖端方法，在具有生物附着和水产养殖应用的特定数据集上 - DGNet: 动态梯度引导网络与噪声抑制方法用于水下图像增强
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。
- UIEDP：基于扩散先验的水下图像增强
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。
- 水下图像增强是否为所有目标检测器所需要？
海底目标检测中的图像增强算法对提高检测效果具有重要影响，本研究通过使用 18 种最先进的海底图像增强算法对数据进行预处理，重训练 7 种深度学习目标检测模型，得出了 126 个海底目标检测模型，并通过对比原始图像上的 7 个目标检测模型，全 - RAUNE-Net：一种基于残差和注意力的水下图像增强 方法
通过应用深度学习中的残差和注意机制，本论文提出了一种更可靠和合理的名为 RAUNE-Net 的 UIE 网络，该网络在瓶颈处使用了高级特征的残差学习，并在下采样过程中进行了两个方面的注意操纵。此外，我们收集和创建了两个特别设计用于评估 UI - 针对梯度感知的足够空间频率互动的水下图像增强
基于空间频率交互和梯度图的新型 UIE 框架 (SFGNet) 成功地提升了水下图像的视觉质量，具有竞争性的性能表现。
- 协作强韧水下图像增强与感知的双重对抗性韧性
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