图像到图像的翻译是计算机视觉中图像处理的一个领域,目的是为了训练出一个模型,来进行图像和图像之间的转化。图像增强是图像到图像的翻译的一个方向,虽然基于深度学习的方法在图像增强和图像恢复上已经拥有了很多的成果,但是依然存在着不足之处。这篇文章提出了一个基于生成式对抗网络GAN的图像增强的神经网络,研究了在缺少正常/低光照图像对的情况下,仍然可以学习出低光照图像到正常光照图像的映射,因为在正常情况下获得这样图像对是非常有挑战性的。本文在真实的图像数据集上进行研究,主要解决以下几个核心问题:使用GAN网络在非配对数据集上训练,来对低光照图像增强;目前低光照图像增强任务中,生成图片普遍存在着颜色失真,图像细节缺失的问题,这些问题需要解决;Retinex算法大都以反射图作为最终结果,这样生成的图像的自然度就会不够,因此需要在神经网络中引入更为合适的Retinex算法来对图像进行分解。针对这三个方向的问题,本文提出了以下创新点:（1）提出一种能够适用于非配对图像的低光照图像增强的GAN网络,让网络在生成图像的时候,生成方向是确定的,生成图像中的内容保持一致,并且图像的光照恢复。（2）对GAN网络的生成器进行改进,在生成器中加入注意力机制的跳跃连接来引导生成器的生成方向,同时提出新的损失函数来对整个网络进行训练。（3）提出一个更合适的Retinex图像分解算法,该算法能从图像中估计出光照分量,并且充分使用光照分量作为网络的输入,来学习映射。