综述：水下图像增强方法全面综述

《Neural Networks》：A comprehensive review of underwater image enhancement methods

　　

摘要 水下成像在深海资源勘探、水下检测和海洋工程中发挥着关键作用。然而，严重的光吸收和散射、照明不均匀以及复杂的水下条件往往导致捕获的图像对比度低、颜色失真和细节模糊。这些退化显著降低了后续水下视觉任务的可靠性，使得水下图像增强和恢复成为水下图像处理中至关重要却充满挑战的问题。尽管提出了许多增强和恢复方法，但许多现有方法仍在复杂的退化模式、有限的泛化能力和高昂的计算成本方面面临困难。为了对这个快速发展的领域进行全面概述，本文系统地回顾了近期水下图像增强和恢复的进展。首先，分析水下成像的物理机制，并介绍代表性水下光学成像模型，以解释图像退化的根本原因。基于这些机制，系统地分类了现有方法，包括传统图像处理技术和近期基于深度学习的方法。比较分析了它们的基本原理、架构特征、优势和局限性。此外，总结了广泛使用的水下图像数据集和评估指标，以便于公平的性能比较。对代表性方法在公共数据集上进行了实验评估，通过定性和定量分析，特别关注增强效果。最后，讨论了当前方法的主要局限性，并突出了最近的研究进展。还概述了有前景的未来研究方向，以支持开发更鲁棒、实用的水下视觉系统。

引言 随着海洋资源勘探 Feng et al. (2024); Jin et al. (2026); Ma et al. (2025c); Zhang et al. (2026c)、水下机器人检测、海底考古和生态监测的快速发展，水下视觉感知变得越来越重要 Sheinin and Schechner (2016); Wang et al. (2024a)。然而，由于水中的光吸收和散射，不同波长在传播过程中以不同速率衰减。因此，水下图像通常表现出严重的颜色失真、低对比度、细节模糊和噪声放大 Akkaynak and Treibitz (2018); McGlamery (1980); Siddique et al. (2025); Zhou et al. (2025c)。这种复杂的退化不仅降低了感知视觉质量，还显著降低了后续任务的性能，例如水下目标检测、分割和 3D 重建。因此，水下图像增强 (UIE) 已成为计算机视觉和海洋信息工程的关键研究主题。

早期的 UIE 方法主要基于经典的图像增强和恢复理论。这些包括对比度增强技术 Zhang et al. (2023d); Zhao et al. (2023)、基于 Retinex 的方法 Tao et al. (2025); Zhou et al. (2024b)、多尺度融合策略 An et al. (2024b)，以及基于物理先验的方法，如暗通道先验和颜色线模型 Guo et al. (2025); Liang et al. (2021); Ma et al. (2025a)。这些传统方法计算效率高且相对可解释。然而，它们在复杂水下环境中的泛化能力有限。它们往往难以平衡全局颜色一致性和局部结构细节恢复。与此同时，通过显式建模水下图像形成过程，开发了基于物理的恢复方法。这些方法旨在补偿光吸收和散射效应。尽管它们提供了强大的物理可解释性，但严重依赖于对水相关参数的准确估计。在实践中，这些参数难以精确获得，这限制了它们的鲁棒性和适用性。

随着深度学习的快速发展，基于卷积神经网络 (CNN) 的端到端增强方法已成为水下图像增强的主流方法 Wang et al. (2017)。CNN 可以自动学习退化图像与清晰图像之间的映射，从而显著改善颜色恢复和细节重建。然而，卷积操作主要关注局部感受野，对全局结构和长程依赖的建模能力有限。因此，它们在处理复杂的全局光照变化和大范围色彩偏移方面效果仍然有限。为了解决这一局限性，生成对抗网络 (GAN) 被引入水下图像增强 Fabbri et al. (2018)。通过对抗学习，GAN 在分布层面上约束增强结果的真实性。它们在颜色校正和视觉自然性方面表现出强劲的性能。尽管如此，GAN 训练往往不稳定且高度依赖于数据分布的一致性，这限制了实际部署。

最近，由于 Transformer 架构的自注意力机制能有效建模全局依赖，它们被应用于水下增强任务 Ren et al. (2022)。然而，它们的计算成本随图像分辨率迅速增加。这导致高分辨率输入的高开销，并限制了实时应用。为了提高效率，基于结构化状态空间模型 (SSM) 的 Mamba 架构以线性复杂度实现了长程建模 Lin et al. (2024)。它在性能和效率之间提供了更好的平衡，并已成为该领域的一个有前景的方向。此外，扩散模型等生成方法通过渐进去噪过程重建精细细节。它们在复杂退化场景中表现出强大的建模能力，并进一步推动了水下图像增强技术的发展 Chen et al. (2026); Tang et al. (2023); Zhang, Jin, Zhou, Qiao, Zhang, Zhuang, 2026a, Zhang, Wang, Zhuang, Liu, 2026b。

尽管视觉质量有了显著改善，但现有方法仍面临几个挑战 Li et al. (2025a); Zhang et al. (2026b)。这些包括数据可用性有限、评估标准不一致、跨水体泛化能力不足以及实时部署困难。因此，有必要对水下图像增强方法进行系统的回顾和比较分析，以阐明不同技术路线的优缺点，并为未来的研究提供指导。基于这一动机，本文对水下图像增强方法的发展和技术演进进行了全面回顾。图 1 展示了本文实验中使用的不同类别的方法。

主要贡献总结如下：
•全面回顾和分类。我们对水下图像增强方法提供了全面的回顾和分类，涵盖了传统方法（例如，基于物理模型和先验驱动的方法）以及近期基于深度学习的技术（例如，基于 CNN、GAN、Transformer 和 Mamba 的模型），并系统地分析了它们的基本原理、架构设计和优化机制。
•恢复和增强范式的比较分析。从图像恢复和图像增强的双重视角，我们系统地检查了代表性方法。比较评估了它们的技术框架、优势和局限性。我们比较分析了不同模型的关键设计原则和主要挑战，为未来的研究提供了清晰的技术路线图和有用的指导。
•综合实验评估和未来展望。使用全参考和无参考数据集，我们从两个角度对代表性增强方法进行了实验比较：定性结果和定量指标。基于这些结果，我们确定了阻碍实际部署的关键问题，并讨论了有前景的未来调查方向。

章节片段 传统方法
在深度学习兴起之前，水下图像增强主要依赖于传统图像处理技术和基于物理的建模技术。这些方法不需要大规模训练数据。相反，它们基于图像统计特性、视觉感知理论或水下光学成像机制对退化过程进行建模或经验校正。现有的传统方法大致可以分为五类：基于对比度增强的方法，

深度学习 approaches
随着深度学习的快速进步，数据驱动的方法已成为水下图像增强中的主导范式。与传统方法依赖于物理模型或手工先验不同，基于深度学习的方法利用端到端特征学习来捕捉水下成像中固有的复杂和非线性退化。因此，它们在颜色校正、对比度改善和细节恢复方面表现出优越的表示能力和鲁棒性。

质量评估方法
为了系统、客观地评估水下图像增强算法的性能，我们从两个角度进行分析：全参考和无参考指标。全参考指标依赖于高质量的真值图像，可以定量测量增强结果与理想图像之间的差异。相比之下，无参考指标在缺少真值参考图像时，基于图像的内在统计特性评估增强质量。

实验评估与分析
本节提供了对实验设置和结果的系统描述和深入分析。实验在三个全参考水下图像数据集——LSUI Peng et al. (2023)、EUVP Islam et al. (2020) 和 UIEB Li et al. (2020)——以及 UIEC (UIEB-challenge) Li et al. (2020) 无参考数据集上进行。比较方法包括传统方法、基于 CNN 的方法、基于 GAN 的方法、基于 Transformer 的方法和基于 Mamba 的方法。总共 17

基于应用的评估
为了进一步检验水下图像增强方法对下游视觉任务的实际影响，基于第 5 节提出的客观和主观评估进行了面向应用的实验。具体而言，采用了基于 YOLOv11 Jocher and Qiu (2024) 的目标检测和关键点检测来评估不同增强方法如何影响高级视觉感知。结果如图 7 和图 8 所示。

如图 7 所示，图像。

结论 本文全面回顾了近期水下图像增强领域的进展。系统地总结了不同技术范式的发展趋势和性能特征，包括传统图像处理方法、基于深度学习的方法以及扩散模型和状态空间模型等新兴架构。

对于传统方法，基于对比度增强、Retinex 理论、图像融合策略、光学成像

CRediT 作者贡献声明
郑颖：数据整理，概念化。冯一帆：形式分析，数据整理。刘然：资金获取，形式分析。于淼：可视化，验证。金松林：写作 – 初稿。梁正：写作 – 初稿，验证。李德光：数据整理。张卫东：写作 – 初稿。

竞争利益声明
作者声明他们没有已知的竞争财务利益或个人关系，可能会影响本文报告的工作。

致谢
本工作部分得到了国家自然科学基金 ( Grants 62401095, 62403066, 62401005) 的支持，部分得到了河南省高等教育青年骨干教师培训计划 ( Grant 2025GGJS099) 的支持，部分得到了中国博士后科学基金项目 ( Grant 2024M750747) 的支持，部分得到了河南省科技重点专项研发计划 ( Grants 242102211030, 262102211026) 的支持。

郑颖 | 冯一帆 | 刘然 | 于淼 | 金松林 | 梁正 | 李德光 | 张卫东