La mejora de imágenes submarinas recupera imágenes submarinas degradadas para producir imágenes claras correspondientes. Los métodos de mejora de imágenes basados en aprendizaje profundo suelen utilizar datos emparejados para entrenar el modelo, mientras que dichos datos emparejados, por ejemplo, las imágenes degradadas y las imágenes claras correspondientes, son difíciles de capturar simultáneamente en el entorno submarino. Además, cómo retener bien la información detallada en la imagen mejorada es otro problema crítico. Para resolver tales problemas, proponemos un nuevo método de mejora de imágenes submarinas no emparejadas a través de una red generativa adversarial cíclica (UW-CycleGAN) para recuperar las imágenes submarinas degradadas. Nuestro modelo UW-CycleGAN propuesto incluye tres módulos principales: (1) Se adopta un regularizador de pérdida de contenido en el generador de CycleGAN, que restringe la información detallada existente en una imagen degradada para que permanezca en la imagen clara generada correspondiente; (2) Se introduce un regularizador de pérdida adversarial que promueve el desenfoque en el discriminador para reducir el desenfoque y el ruido en las imágenes claras generadas; (3) Agregamos el bloque DenseNet al generador para retener más información de cada mapa de características en la etapa de entrenamiento. Finalmente, los resultados experimentales en dos conjuntos de datos de imágenes submarinas no emparejadas produjeron un rendimiento satisfactorio en comparación con los métodos de mejora de imágenes de última generación, lo que demuestra la efectividad del modelo propuesto.