本研究提出了一种新颖的水下图像增强算法UIE-SNN，基于脉冲神经网络，能耗降低85%，同时保持图像清晰度，为海洋自主视觉导航提供技术支持。

本文评估了水下图像增强算法的性能，提出了海底图像增强基准(UIEB)数据集及多个新框架，如SyreaNet和RAUNE-Net，以提高水下图像质量。研究分析了不同算法的优缺点，并提出了未来的研究方向。

本文介绍了多种水下图像增强（UIE）方法，包括新框架UIEDP和PA-Diff，结合物理知识与深度学习技术提升图像质量。研究显示，内容保留扩散模型（CPDM）和物理感知双流水下图像增强网络（PA-UIENet）在处理水下图像退化方面表现优异，超越现有技术，并通过优化网络和动态更新伪标签显著提高增强效果。

本文探讨了一种弱监督动物检测方法，利用异常检测框架从海洋航空图像中提取信息，提升了可解释性和异常定位能力。同时，介绍了水下图像增强的机器学习模型，结合条件生成对抗网络和变分自动编码器，显著提高了水下图像质量和物体检测性能。这些方法在监测海洋生态和应对人类活动影响方面具有重要价值。

本文提出多种基于生成对抗网络（GAN）的水下图像增强方法，结合注意力机制、颜色校正和无监督学习等技术，显著提高水下图像质量和视觉任务表现，尤其在水下目标检测和图像视觉效果方面表现优越。

本文提出了多种水下图像增强方法，包括基于条件生成对抗网络的实时增强、物理感知双流水下图像增强网络（PA-UIENet）和单图像低光度增强方法（L^2UWE）。研究通过大规模数据集评估算法性能，显著提升水下图像质量，促进目标检测和跟踪任务的效果。

本论文提出了一种名为RAUNE-Net的UIE网络，利用深度学习中的残差和注意机制，提高了水下图像增强的性能。实验证明该方法在真实水下图像上表现出有前途的客观性能和一致的视觉结果。

本论文提出了一种名为RAUNE-Net的UIE网络，利用深度学习中的残差和注意机制，提高了水下图像增强的性能。实验证明该方法在真实水下图像上表现出有前途的客观性能和一致的视觉结果。

本文提出了一种通过使用扩散模型进行水下图像增强的方法。该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增强图像。作者采用了基于轻量级Transformer的降噪网络和跳跃抽样策略来提高反向过程的效率。实验结果表明，该方法在水下增强任务上具有竞争性的性能和高效性。