Autonome Unterwasserfahrzeuge (AUVs) verwenden eine Vielzahl von Sensoren – akustische, Trägheits- und visuelle Sensoren – für intelligente Entscheidungsfindung. Aufgrund ihrer nicht-invasiven, passiven Natur und des hohen Informationsgehalts ist die visuelle Wahrnehmung eine attraktive Sensormodalität, insbesondere bei geringeren Tiefen. Allerdings beeinflussen Faktoren wie Lichtbrechung und -absorption, suspendierte Partikel im Wasser sowie Farbverzerrungen die Qualität der visuellen Daten negativ und führen zu verrauschten und verzerrten Bildern. AUVs, die auf visuelle Sensoren angewiesen sind, stehen daher vor erheblichen Herausforderungen und zeigen in visionsgesteuerten Aufgaben ein schlechteres Leistungsniveau. In dieser Arbeit wird eine Methode vorgeschlagen, um die Qualität von visuellen Unterwasserszenen durch Generative Adversarische Netze (GANs) zu verbessern, mit dem Ziel, die Eingabe für visionsgesteuerte Verhaltensweisen weiter unten im Autonomieprozess zu optimieren. Darüber hinaus zeigen wir, wie neu entwickelte Methoden in der Lage sind, einen Datensatz für den Zweck der Unterwasserbildrestauration zu generieren. Für alle visuell gesteuerten Unterwasserroboter kann diese Verbesserung durch robuste visuelle Wahrnehmung zu erhöhter Sicherheit und Zuverlässigkeit führen. Um diesen Effekt zu demonstrieren, präsentieren wir quantitative und qualitative Daten, die belegen, dass durch den vorgeschlagenen Ansatz korrigierte Bilder sowohl optisch ansprechender sind als auch die Genauigkeit eines Taucher-Verfolgungsalgorithmus erhöhen.