Dans cet article, nous présentons un modèle basé sur un réseau de neurones génératif adversarial conditionnel pour l'amélioration en temps réel des images sous-marines. Pour superviser l'entraînement adversarial, nous formulons une fonction objectif qui évalue la qualité perceptive de l'image en fonction de son contenu global, de sa couleur, de sa texture locale et de ses informations stylistiques. Nous présentons également EUVP, un jeu de données à grande échelle comprenant une collection d'images sous-marines appariées et non appariées (de qualité « médiocre » et « bonne ») capturées avec sept caméras différentes dans diverses conditions de visibilité lors d'explorations océaniques et d'expériences collaboratives homme-robot. De plus, nous effectuons plusieurs évaluations qualitatives et quantitatives qui suggèrent que le modèle proposé peut apprendre à améliorer la qualité des images sous-marines à partir d'entraînements appariés et non appariés. Plus important encore, les images améliorées offrent des performances améliorées des modèles standards pour la détection d'objets sous-marins, l'estimation de la posture humaine et la prédiction de la salience. Ces résultats valident qu'il est approprié pour le prétraitement en temps réel dans le pipeline d'autonomie des robots guidés visuellement sous-marins. Le modèle et les pipelines d'entraînement associés sont disponibles à l'adresse suivante : https://github.com/xahidbuffon/funie-gan.