由于水体对光的吸收和散射作用，水下图像普遍存在颜色失真和细节模糊这两种退化问题。为了得到色彩鲜明、细节清晰的水下图像，提出了一个基于多尺度注意力和对比学习的水下图像增强算法模型。该模型采用编码-解码结构作为基础框架，为了提取到更细粒度的特征，在编码部分设计了一个多尺度通道像素注意力模块，利用3个并行支路提取图像中不同层次的特征，然后将3条支路提取的特征进行融合输入到下一层编码器以及对应的解码层，提高网络特征提取以及细节增强的能力。最后，为了进一步提高增强图像的质量，引入对比学习训练网络。大量实验证明，本文算法增强后的图像色彩鲜明且细节信息保留较好。峰值信噪比和结构相似性指标的平均值最高可达到25.46和0.8946，与其他方法相比至少提高了4.4%和2.8%；水下彩色图像质量指标和信息熵的平均值最高为0.5802和7.6668，与其他方法相比均至少提高了2%；特征点匹配平均比原始图像多24个。

针对水体对光的吸收和散射导致的水下图像细节模糊和颜色失真等问题,提出了一种基于多尺度生成对抗网络的水下图像增强算法。该算法用对抗网络作为基础框架,结合残差连接和密集连接加强水下图像特征的传播。首先,通过两个并行支路提取退化图像不同空间的视觉信息,并在每个支路加入残差密集块,以学习更深层次的特征。然后,将两个支路提取的特征进行融合,经过重建模块恢复图像的细节信息。最后,构建多个损失函数,反复训练对抗网络,获得增强的水下图像。实验结果表明,本算法增强的水下图像色彩鲜明且去雾效果较好,水下彩色图像质量均值比原始图像高0.1887,加速稳健特征的匹配点数比水下残差网络算法多17个。