水下图像在获取海洋信息方面具有重要作用,但由于水中不同波长的光衰减速度不同,使得水下图像会产生颜色失真,水下光照强度不足会使得水下图像对比度低,这严重影响了水下图像的进一步利用,因此需要修正色偏、增强图像的对比度以获取清晰的水下图像。基于生成对抗网络的水下图像清晰化方法通过数据驱动的方式训练网络,可处理多种水下图像退化问题,有较好的鲁棒性。本文基于生成对抗网络研究水下图像清晰化问题,主要工作如下:利用条件生成对抗网络对水下图像清晰化进行了研究,在StarGAN的基础上,通过增加判别模型对水下图像进行分类,使得网络能够根据图像的不同衰减程度采取不同的增强策略;通过在生成模型中引入残差稠密块中的残差模块,增加网络深度,增强了网络提取图像高层语义信息的能力。此外,通过优化损失函数,实现了对网络输出结果的约束,使得处理后的图像与输入图像的内容和结构保持一致。所设计网络处理的水下图像在颜色和清晰度等方面都获得了显著改善。利用多尺度生成对抗网络对水下图像清晰化进行了研究,构建一种新的网络结构。通过采用多尺度的生成模型提取丰富的图像特征,提高网络的特征表达能力,然后利用多尺度的判别模型,进一步监督生成模型的训练,使得整体网络输出的高分辨率水下图像更加清晰。此外,通过权值共享策略对网络的参数进行优化,从而更有利于模型的迁移和复用。