1.一种基于隐式熵学习的水下视觉图像高效重构方法，其特征在于，包括步骤：获取输入图像，所述输入图像为水下机器人采集的原始图像；

对所述输入图像进行特征提取得到高纬度特征，对所述高纬度特征进行量化操作得到高纬度量化特征；

对所述高纬度特征进行特征提取以获取辅助特征，对所述辅助特征进行量化操作得到辅助量化特征；

利用先验分布对所述辅助量化特征进行编码生成辅助特征码流，对所述辅助特征码流进行解码复原得到复原后的所述辅助量化特征，对复原后的所述辅助量化特征进行解码以提取潜在上下文信息，隐式熵建模模块通过神经网络学习复杂特征的隐式概率分布，将所述上下文信息与所述高纬度量化特征融合后得到分布预测，包括步骤：获取输入的所述高纬度量化特征；

基于所述高纬度量化特征的高度和宽度生成归一化坐标；

基于所述归一化坐标和频率信息对所述高纬度量化特征进行位置编码；

获取偏移坐标，并基于所述归一化坐标和所述偏移坐标计算得到相对位置；

利用多层感知机学习所述高纬度量化特征元素间的隐式关系；

基于所述相对位置计算生成面积权重，根据所述隐式关系和所述面积权重局部加权融合得到融合结果；

后置卷积模块基于所述融合结果生成高斯分布参数特征图；

基于高斯参数特征图，将所述上下文信息融合到对所述高纬度量化特征的分布预测，生成构建隐式概率分布，所述隐式概率分布包括：高斯模型均值和方差；

根据所述分布预测对所述高纬度量化特征进行编码生成高纬度特征码流；

利用隐式分布模型对所述高纬度特征码流进行解码复原得到所述高纬度量化特征，使用解码器对复原后的所述高纬度量化特征进行特征解码得到重构图像。

2.根据权利要求1所述的基于隐式熵学习的水下视觉图像高效重构方法，其特征在于，对所述高纬度特征进行量化操作得到高纬度量化特征，包括步骤：获取区间内分布的噪声；

当模型处于训练阶段，将所述高纬度特征与所述噪声进行叠加得到所述高纬度量化特征；

当模型处于推理阶段，将所述高纬度特征输入到量化函数中进行计算得到所述高纬度量化特征。

3.根据权利要求1所述的基于隐式熵学习的水下视觉图像高效重构方法，其特征在于，对所述辅助特征进行量化操作得到辅助量化特征，包括步骤：获取区间内分布的噪声；

当模型处于训练阶段，将所述辅助特征与所述噪声进行叠加得到所述辅助量化特征；

当模型处于推理阶段，将所述辅助特征输入到量化函数中进行计算得到所述辅助量化特征。

4.根据权利要求1所述的基于隐式熵学习的水下视觉图像高效重构方法，其特征在于，还包括步骤：构建基于隐式熵学习的压缩模型，所述压缩模型包括：编码器、解码器、辅助编码器、辅助解码器、隐式熵建模模块、量化模块、算术编码模块和算术解码模块；

所述编码器用于接收并压缩输入的水下视觉图像，得到高纬度特征；

所述辅助编码器进一步对所述高纬度特征进行辅助编码，生成所述辅助特征，以提供更细粒度的特征信息；

所述量化模块分别对所述高纬度特征与所述辅助特征执行量化操作，得到量化后的所述高纬度量化特征与所述辅助量化特征；

所述解码器对量化后的特征所述高纬度量化特征进行解码重建，输出复原图像；

所述辅助解码器对量化后的所述辅助量化特征进行解码，提取潜在上下文信息；

所述隐式熵建模模块通过神经网络学习复杂特征的隐式概率分布，将上下文信息融合到对所述高纬度量化特征的分布预测中，实现对概率分布的自适应建模；

所述算术编码模块根据隐式熵建模模块输出的分布预测对所述高纬度量化特征进行编码生成高纬度特征码流，利用先验分布对所述辅助量化特征进行编码生成辅助特征码流；

所述算术解码模块利用隐式分布模型对所述高纬度特征码流进行解码复原所述高纬度量化特征，对所述辅助特征码流进行解码复原成所述辅助量化特征。

5.根据权利要求1所述的基于隐式熵学习的水下视觉图像高效重构方法，其特征在于，利用隐式分布模型对所述高纬度特征码流进行解码复原得到所述高纬度量化特征，使用解码器对所述高纬度量化特征进行特征解码得到重构图像，包括步骤：基于上下文信息，利用隐式分布模型逐像素地预测当前待解码符号的条件分布；

算术解码器根据条件分布从所述高纬度特征码流中逐步解码出待解码符号，直到完整恢复所述高纬度量化特征；

利用解码器对所述高纬度量化特征进行特征解码得到重构图像。

6.根据权利要求1所述的基于隐式熵学习的水下视觉图像高效重构方法，其特征在于，所述辅助量化特征的先验分布为可学习的高斯分布或可学习的均匀分布，由网络端到端训练获得。

7.一种基于隐式熵学习的水下视觉图像高效重构系统，应用了如权利要求1至6中任意一项所述的基于隐式熵学习的水下视觉图像高效重构方法，其特征在于，包括：编码器，用于接收并压缩输入的水下视觉图像，提取得到高纬度特征；

辅助编码器，用于进一步对所述高纬度特征进行辅助编码，生成辅助特征，以提供更细粒度的特征信息；

量化模块，用于分别对所述高纬度特征与所述辅助特征执行量化操作，得到量化后的高纬度量化特征与辅助量化特征；

辅助解码器，用于对量化后的所述辅助量化特征进行解码，提取潜在上下文信息；

隐式熵建模模块，通过神经网络学习复杂特征的隐式概率分布，将上下文信息融合到对所述高纬度量化特征的分布预测中，实现对概率分布的自适应建模；

算术编码模块，根据隐式熵建模模块输出的分布预测对所述高纬度量化特征进行编码生成高纬度特征码流，利用先验分布对所述辅助量化特征进行编码生成辅助特征码流；

算术解码模块，利用隐式分布模型对所述高纬度特征码流进行解码复原所述高纬度量化特征，对所述辅助特征码流进行解码复原成所述辅助量化特征；

解码器，用于对量化后的特征所述高纬度量化特征进行解码重建，输出复原图像。