Las imágenes submarinas a menudo sufren de degradación como distorsión de color y desenfoque debido a la absorción y dispersión de la luz. Es esencial utilizar métodos de mejora de imágenes submarinas (UIE) para adquirir imágenes de alta calidad. Las redes convolucionales se utilizan comúnmente para tareas de UIE, pero su capacidad de aprendizaje aún no se ha explorado por completo. En este documento, se propone una red de UIE basada en convolución de diferencia. La convolución de diferencia permite que el modelo capture mejor los gradientes de imagen y la información de bordes, mejorando así la capacidad de generalización de la red. Para mejorar aún más el rendimiento, se incorporan módulos de fusión y normalización basados en atención en el modelo. Además, para mitigar el impacto de la ausencia de imágenes de referencia auténticas en conjuntos de datos, se propone un módulo de pérdida URanker basado en degradación gaussiana durante el ajuste fino. Las imágenes de entrada se someten a degradación gaussiana, y el modelo de evaluación de calidad de imagen URanker se utiliza para predecir las puntuaciones de las imágenes mejoradas antes y después de la degradación. El modelo se ajusta aún más utilizando la diferencia de puntuación entre las dos. Los extensos resultados experimentales validan el rendimiento sobresaliente del método propuesto en tareas de UIE.