本文提出了DreamSea模型，旨在解决水下3D地形生成的挑战。该模型结合水下机器人调查数据和视觉基础模型，能够生成逼真的水下场景，具有广泛的应用潜力，影响影视、游戏和机器人仿真等领域。

本文提出了一种新的在线联合估计方法，用于在未知介质中进行视觉惯性测量，解决了对折射指数的依赖问题。研究表明，该方法在水下机器人数据验证中，即使在初始化扰动明显的情况下，也能有效估计水的折射指数，提升测量性能。

本文探讨了水下机器人领域的自监督学习方法及其在声纳图像表示学习中的应用，提出了新型深度声纳描述符管道和优化技术，显著提升了水下物体检测和3D建模的准确性。研究表明，结合RGB和声纳模态的技术在复杂海洋环境中有效提高了目标跟踪和垃圾检测的性能。

科学家们利用成像技术研究浮游生物，WHOI-Plankton数据集包含340万张图像用于自动分类。研究表明，自监督学习在水下机器人和声纳图像识别中，在少样本情况下的性能优于监督学习。新提出的SKI-HL框架和多标签方法在珊瑚分类中表现优越，支持全球珊瑚保育工作。

本文介绍了一种基于深度学习的实时自主水下机器人位姿估计方法，利用卷积神经网络和生成模型提升水下图像质量和定位精度。研究提出的Deep-6DPose框架能够从单张RGB图像中快速检测和恢复6D姿态，性能优于现有技术。