libtorch水下图像增强模型和基准数据集

        水下图像增强由于其在海洋工程和水上机器人领域的重要性而备受关注。在过去的几年里，人们提出了许多水下图像增强算法。然而，这些算法主要使用合成数据集或少数选定的真实世界图像进行评估。因此，目前还不清楚这些算法如何处理在野外获取的图像，以及我们如何衡量该领域的进展。为了弥补这一差距，我们首次使用大规模真实世界图像对水下图像增强进行全面的感知研究和分析。

        在本文中，我们构建了一个水下图像增强基准（UIEB），包括 950 张真实水下图像，其中 890 张具有相应的参考图像。我们将其余60幅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。使用该数据集，我们对最先进的水下图像增强算法进行定性和定量的全面研究。此外，我们提出了一个在此基准上训练的水下图像增强网络（称为 Water-Net）作为基线，这表明了所提出的 UIEB 用于训练卷积神经网络（CNN）的泛化。基准评估和提出的 Water-Net 展示了最先进算法的性能和局限性，这为水下图像增强的未来研究提供了线索。我们对最先进的水下图像增强算法进行定性和定量的全面研究。此外，我们提出了一个在此基准上训练的水下图像增强网络（称为 Water-Net）作为基线，这表明了所提出的 UIEB 用于训练卷积神经网络（CNN）的泛化。