前言

大多数已经提出的水下增强算法都是使用合成数据集或少数选定的真实世界图像，这使得我们无法估计算法在真实环境下的表现。为了解决这个问题，我们提出了UIEB数据集，包括 950 张真实水下图像，其中 890 张有相应的参考图像。 我们将其余60张无法获得满意参考图像的水下图像视为具有挑战性的数据。我们使用这个数据集评估了许多先进的水下图像增强的算法。
此外，我们还提出了一个新的水下图像增强网络Water-Net，它使用这个数据集进行训练。

引言

通常，水下图像会因波长相关的吸收和散射（包括前向散射和后向散射）而退化。海水中的漂浮物也会引入噪音并增加散射的影响。为了解决这个问题，早期的方法依赖于多个水下图像或偏振滤波器，而最近的算法仅使用来自单个图像的信息来处理这个问题。
由于缺乏公开可用的真实水下图像数据集，现在提出的算法都不太令人满意。此外，实际上不可能同时拍摄真实的水下场景和不同水类型的相应地面实况图像。

贡献

（1）构造了UIEB数据集
（2）使用UIEB数据集验证了很多先进的算法
（3）提出了Water-Net网络

现有方法、评估指标和数据集：概述

水下增强方法

已经提出了多种方法，并且可以分为四组：基于补充信息的方法、基于非物理模型的方法、基于物理模型的方法和数据驱动的方法。

基于补充信息的方法

在早期阶段，来自多个图像或专用硬件设备的补充信息（例如，偏振滤波、距离选通成像、和荧光成像）被用来提高水下图像的可见度。与基于补充信息的方法相比，单次水下图像增强被证实为更适合动态场景等场景，因此受到了更多关注。

基于非物理模型的方法

旨在修改图像像素值以提高视觉质量。
另一项研究尝试基于 Retinex 模型增强水下图像。

基于物理模型的方法

基于物理模型的方法将水下图像的增强视为逆问题，其中图像形成模型的潜在参数是根据给定图像估计的。
这种方法通常都遵循相同的流程：
（1）建立退化的物理模型
（2）估计未知的模型参数
（3）解决这个逆问题

研究方向之一是修改暗通道先验（DCP）以实现水下图像增强
另一项研究尝试利用</