本研究提出AquaticCLIP，一种新型的对比语言-图像预训练模型，旨在解决水下场景理解中的人工标注不足问题。该模型通过构建200万对水下图像-文本配对数据集，显著提升了水下计算机视觉任务的零样本性能，为水下环境的视觉-语言应用设定了新基准。

WaterMono 是一个专注于水下场景深度估计和图像增强的新型框架。通过教师引导的异常掩模和深度信息结合水下成像模型，提升了模型的鲁棒性。研究表明，Transformers 和 CNNs 在深度估计中表现出不同的偏差，MonoFormer 模型在性能上优于其他模型。此外，OmniFusion 流程和 RT-MonoDepth 网络在实时深度估计中也取得了显著成果。