El procesamiento de imágenes submarinas puede facilitar en gran medida la dificultad de las tareas de los robots submarinos y promover el desarrollo de la exploración oceánica. Este documento propone un modelo rápido y eficiente de mejora de imágenes submarinas basado en GAN condicional con buena capacidad de generalización utilizando estrategias de agregación y operaciones de concatenación para aprovechar al máximo las características jerárquicas limitadas. Una red secuencial puede evitar visitar frecuentemente nodos adicionales, lo que es beneficioso para acelerar la inferencia y reducir el consumo de memoria. A través del enfoque de reparametrización estructural, diseñamos un bloque residual dual (DRB) y construimos en consecuencia un codificador de atención jerárquico (HAE), que puede extraer suficiente información de características y texturas de diferentes niveles de una imagen, y con un aumento del 11.52% en GFLOPs. Se llevaron a cabo experimentos extensos en conjuntos de datos de imágenes submarinas de referencia reales y sintéticamente producidos, y se implementaron comparaciones cualitativas y cuantitativas con métodos de vanguardia. Los resultados muestran que nuestro modelo produce mejores imágenes y tiene buena capacidad de generalización y rendimiento en tiempo real, lo que es más propicio para la aplicación práctica de las tareas de robots submarinos.