Die Analyse von unbemannten Unterwasserbildern für die Meeresüberwachung steht vor zwei wesentlichen Herausforderungen: (i) der Verschlechterung der Bildqualität aufgrund der Lichtabschwächung und (ii) den Hardware-Speicherbeschränkungen, die eine Sammlung hochauflösender Bilder einschränken. Bestehende Methoden konzentrieren sich hauptsächlich auf die Verbesserung von Bildern mit Ansätzen, die darauf abzielen, das vollständige Eingabebild zu speichern. Im Gegensatz dazu präsentieren wir den Capsule Enhanced Variational AutoEncoder (CE-VAE), eine neuartige Architektur, die darauf ausgelegt ist, verschlechterte Unterwasserbilder effizient zu komprimieren und zu verbessern. Unser aufmerksamkeitsbasierte Bildencoder kann das Eingabebild in einen latenten Raum darstellen, während er in Echtzeit auf einem Remote-Gerät ausgeführt werden kann. Die einzige Information, die auf dem Gerät gespeichert oder an ein Leuchtfeuer übertragen werden muss, ist eine komprimierte Darstellung. Es gibt ein duales Dekodiermodul, das offline zur Generierung von vollständig verbesserten Bildern eingesetzt wird. Ein Ast rekonstruiert räumliche Details aus dem komprimierten latenten Raum, während der zweite Ast eine Kapsel-Clustering-Schicht verwendet, um strukturelle Merkmale und komplexe räumliche Beziehungen auf Entitätsebene zu erfassen. Diese parallele Dekodierstrategie ermöglicht es dem Modell, die Erhaltung feiner Details mit kontextbezogenen Verbesserungen auszubalancieren. Der CE-VAE erreicht Stand-of-the-Art-Leistungen bei der Verbesserung von Unterwasserbildern in sechs Benchmark-Datensätzen und bietet bis zu dreimal höhere Kompressions-effizienz als bestehende Ansätze. Der Quellcode ist unter \url{https://github.com/iN1k1/ce-vae-underwater-image-enhancement} verfügbar.