In dieser Arbeit stellen wir ein auf bedingten generativen adversären Netzwerken basierendes Modell für die Echtzeit-Verbesserung von Unterwasserbildern vor. Um das adversäre Training zu überwachen, formulieren wir eine Zielfunktion, die die wahrgenommene Bildqualität anhand ihres globalen Inhalts, der Farbe, lokaler Textur und Stilinformationen bewertet. Zudem präsentieren wir EUVP, einen umfangreichen Datensatz mit gepaarten und ungepaarten Sammlungen von Unterwasserbildern (von „schlechter“ und „guter“ Qualität), die unter verschiedenen Sichtbedingungen während ozeanographischer Expeditionen und mensch-roboter-kollaborativen Experimenten mit sieben verschiedenen Kameras aufgenommen wurden. Darüber hinaus führen wir mehrere qualitative und quantitative Bewertungen durch, die darauf hinweisen, dass das vorgeschlagene Modell lernen kann, die Qualität von Unterwasserbildern sowohl bei gepaarter als auch bei ungepaarter Trainingsdaten zu verbessern. Von größter Bedeutung ist jedoch, dass die verbesserten Bilder die Leistungsfähigkeit standardisierter Modelle für die Erkennung von Unterwasserobjekten, die Schätzung der menschlichen Körperhaltung und die Vorhersage von Salienz erhöhen. Diese Ergebnisse bestätigen, dass es sich für die Echtzeit-Vorverarbeitung im Autonomieprozess visuell geleiteter Unterwasserroboter eignet. Das Modell sowie die dazugehörigen Trainingspipelines sind unter https://github.com/xahidbuffon/funie-gan verfügbar.