本研究提出了一种名为FUSION的双域深度学习框架，旨在解决水下图像的颜色失真、可见性降低和结构细节丧失问题。FUSION结合了空间和频率域的信息，显著提高了图像重建的真实度和视觉质量，适用于实时水下成像。

本研究提出了一种新颖的多尺度方法，成功融合水下与空中图像，实现了珊瑚礁区域的高精度分类，AUC分数达到0.9251，展示了多尺度成像与人工智能在珊瑚礁监测中的应用潜力。

本研究提出了一种名为UDBE的无监督扩散模型，用于水下图像的亮度增强。该方法结合颜色图和信号-噪声比图，有效保持亮度细节，并在标准数据集上显示出优越的图像质量，展现了其在水下图像处理中的应用潜力。

本研究提出了一种新型机器学习模型——协同回归网络（CoRe-Nets），旨在改善水下图像恢复。该模型通过两个协作网络实现最佳恢复效果，实验结果表明其在降低计算复杂性的同时，恢复性能优于真实图像的视觉质量。

本研究提出了一种名为HUPE的启发式可逆网络，旨在解决水下图像因光折射和吸收导致的可视性降低问题。HUPE通过可逆变换与傅里叶变换实现水下图像与清晰图像的双向映射，并引入语义协同学习模块，显著提升视觉质量和特征提取能力。实验结果表明，HUPE的增强效果优于现有方法。

本文提出了一种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的方法。采用了基于轻量级 Transformer 的降噪网络和跳跃抽样策略。提出了两种不同的非均匀抽样方法。实验结果表明，该方法具有竞争性的性能和高效性。