图像是传递信息的重要方式之一,它能将信息以直观的感受传递给人类。然而图像在拍摄过程中可能受到各种各样的干扰,从而造成信息的丢失。当使用摄像设备尝试去透过水面拍摄水下场景时,水面的扰动就可能造成所拍摄的图像呈现出扭曲的状态。由于清晰的水下图像对于工业生产有着的重要的指导意义,许多国家都已对水下扭曲图像的恢复问题展开了应用研究,然而我国在这方面仍处于起步阶段。之前绝大多数的水下扭曲图像恢复技术都是基于视频的方法。而随着深度学习的兴起,通过单帧水下扭曲图像进行恢复已经成为了可能,然而目前的方法在成像质量上仍不够理想。本文针对水下扭曲图像的恢复技术展开了相关研究,为了提高水下扭曲图像的恢复质量,提出了两种算法。本文的主要工作如下:1.提出了基于密集连接的水下扭曲图像恢复算法。通过采用密集连接的生成对抗网络对水下扭曲图像进行恢复,并引入了WGAN-GP(Wasserstein generative adversarial networks-gradient penalty)对抗损失函数使训练更为稳定。在验证集上的结构相似性(Structural Similarity,SSIM)与峰值信噪比(Peak Signal to Noise Ratio,PSNR)分别达到了0.5595与19.925的成绩,并提高了其视觉效果;2.提出了基于注意力机制的水下扭曲图像恢复算法。通过引入注意力机制,设计了一个两步图像恢复算法框架:首先,采用一个扭曲注意力网络来学习水下扭曲图像的扭曲场,并生成注意力图;而后根据扭曲场对输入图像进行初步的扭曲恢复,并将其输出图像与注意力图输入另一个网络来进行细节的恢复,进一步提升图像的成像质量。本算法在验证集上的SSIM与PSNR分别达到了0.6022与20.522的成绩,视觉效果也有了显著提高。