现今的水下图像增强方法

目前，水下图像增强方法主要分为传统方法和深度学习方法两大类。

传统方法包括基于物理模型的方法和基于统计学的方法。基于物理模型的方法利用水下图像的成像模型，通过对水下光学传输过程进行建模，对图像进行修复和增强。常见的物理模型包括散射模型、吸收模型等。基于统计学的方法则是通过对大量水下图像进行分析，提取出水下图像中的统计特征，并利用这些特征进行图像增强。

深度学习方法则是利用深度神经网络对水下图像进行学习和重建。常见的深度学习方法包括卷积神经网络（CNN）、生成对抗网络（GAN）等。这些方法通过大量标注的水下图像进行训练，学习到水下图像中的特征和模式，并利用学习到的知识对新的水下图像进行增强和恢复。

综合来说，传统方法相对简单，但需要手工提取特征并设计算法；而深度学习方法能够自动学习特征，但需要大量标注数据和计算资源。当前的研究方向是将传统方法和深度学习方法结合，以提高水下图像增强的效果和性能。