본 논문은 수중 이미지 향상(UIE)을 위한 최초의 스파이킹 신경망(SNN) 기반 알고리즘인 UIE-SNN을 제시한다. UIE-SNN은 19계층의 합성곱 스파이킹 인코더-디코더 프레임워크로, skip connection을 사용하며, surrogate gradient 기반 BPTT 전략을 통해 직접 학습된다. 기존 학습 기반 아키텍처와 달리 에너지 소모가 모델에 의존적이지 않다는 UIE-SNN의 고유한 장점을 활용하여, 학습 데이터셋이 에너지 감소에 미치는 영향을 분석하고 검증한다. 잠재 공간 표현에서 손실 함수를 최적화하여 선명한 수중 이미지를 재구성하며, 기존 비 스파이킹 방법과 유사한 PSNR 및 SSIM 성능을 낮은 시간 단계(T=5)와 85% 감소된 에너지 소모로 달성한다. UIEB, EUVP, LSUI, U45 및 자체 제작 UIE 데이터셋에서 평가되었으며, UIEB에서 PSNR 17.7801 dB, SSIM 0.7454, EUVP에서 PSNR 23.1725 dB, SSIM 0.7890을 달성했다. 기존 최첨단 UIE 방법과 비교하여 에너지 효율이 평균 6.5배 향상되었다. 소스 코드는 GitHub에서 공개한다.
