A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning

水下图像增强（UIE）是计算机视觉领域中具有挑战性的研究任务。虽然已经提出了数百种UIE算法，但仍缺乏全面系统的综述。为了推动未来的研究，我们从多个角度总结了UIE任务。首先，介绍了物理模型、数据构建过程、评估指标和损失函数。其次，根据不同文献带来的贡献，从网络架构、学习策略、学习阶段、辅助任务、领域视角和解缠合并等六个方面讨论和分类了最近提出的算法。第三，考虑到不同文献中实验设置的不一致性，目前还不存在全面公正的比较。因此，我们在多个基准数据集上定量和定性评估了最先进的算法。最后，提出了UIE任务中值得进一步研究的问题。有关UIE的有用材料可在https://github.com/YuZhao1999/UIE上获取。

本论文旨在系统综述水下图像增强(UIE)领域的研究进展，包括物理模型、数据构建、评估指标、损失函数等方面，并对最新算法进行分类和讨论，提出需要进一步研究的问题。

论文提出了一种综合性的UIE算法评估方法，通过量化和定性评估多个基准数据集上的最新算法，为未来UIE研究提供了参考。

论文从多个角度对UIE领域进行了系统综述，提出了一种综合性的UIE算法评估方法，包括量化和定性评估，提供了一个开源的github仓库，收录了相关的数据集和算法实现代码，为未来UIE研究提供了参考。

最近在UIE领域中，还有一些相关研究，如：Underwater Image Enhancement Using a Hybrid Model with Local and Non-local Priors, Deep Underwater Image and Video Enhancement Using a Two-Stream Fusion Approach,等。