水下图像增强因其在海洋工程和水下机器人领域的重大意义而备受关注。近年来，提出了许多水下图像增强算法。然而，这些算法主要通过合成数据集或少数选定的真实世界图像进行评估。因此，这些算法在野外获取的图像上的表现如何以及我们如何衡量该领域的进展尚不清楚。为了弥合这一差距，我们首次进行了大规模真实世界图像的水下图像增强全面感知研究和分析。本文构建了一个包含950张真实世界水下图像的水下图像增强基准（UIEB），其中890张有对应的参考图像。我们将剩余60张无法获得满意参考图像的水下图像视为挑战性数据。利用该数据集，我们对当前最先进的水下图像增强算法进行了定性和定量的全面研究。此外，我们提出了一种基于此基准训练的水下图像增强网络（称为Water-Net），作为基线模型，表明了所提出的UIEB在训练卷积神经网络（CNNs）方面的泛化能力。基准评估和提出的Water-Net展示了现有最先进算法的性能和局限性，为未来的水下图像增强研究提供了指导。数据集和代码可在https://li-chongyi.github.io/proj_benchmark.html 获取。