水下视觉感知是机器人领域公认的核心挑战之一。光在水中的散射和吸收效应，会导致图像产生严重的色彩偏差、低对比度和细节损失，从而严重影响各类视觉算法的性能。然而，现有的图像增强方法大多计算成本过高，难以在资源受限的水下机器人平台上进行实时部署。为了解决这一难题，本文提出了 FUnIE-GAN：一个基于条件生成对抗网络的轻量级、高效率水下图像增强模型。它摒弃了复杂的物理建模，通过端到端学习的方式，直接构

结构（体）是一些值的集合，这些值被称为成员变量。结构的每个成员变量可以具有不同类型。结构的成员可以是标量、数组、指针，甚至是其他结构体。声明了结构体后，对变量的定义就很简单了。