低照度图像增强是计算机视觉研究领域中一项基本处理任务,现已受到了广泛关注。人类的视觉机制往往从高质量的图像中获取有价值的信息,为了在弱光条件下获得能见度较高的高质量图像,改善图像的视觉效果,必须对低照度图像进行增强。近些年,很多研究者致力于将深度学习的方法应用在低照度图像增强的领域中,但现有深度学习图像增强网络对于不同尺度特征的表征和感知能力存在不足,其增强结果存在大量噪声、边缘轮廓模糊不清、亮度分布及语义信息不合理等问题。针对上述问题,本文对低照度图像增强问题进行研究与探索,其工作如下:1)提出了一种基于金字塔渐进融合低照度图像增强网络。该模型构建了特征金字塔网络以获取更加强大的特征信息。同时改变传统方法对特征图的连接方式,将并行的多分支网络结构和串行的跳层连接方式相贯穿,进而使网络模型提高了其捉捕图像中相距较远距离特征间信息相关性的能力和对图像特征信息的利用。此外,为了强化网络模型的学习能力,减轻模型训练的复杂度,本模型又加入残差卷积神经网络模块。实验结果证实,基于金字塔渐进融合低照度图像增强网络使其增强后的图像整体亮度分布更令人满意,其图像整体画面自然真实,具有合理的语义结构和清晰的细节。2)提出了一种基于U-Net的多尺度低照度图像增强网络,在学习过程中该模型依靠多尺度的思想。其主干网的三个网络分支都近似于U-Net构架,便于模型在训练过程中能不断学习到不同尺度的空间信息。由于传统的U-Net网络会损失掉一部分图像细节信息,对底层特征信息的挖掘不够充分。因此本模型将扩张的结构细节残差聚合块嵌入到核心网中,此模块通过扩大感受野的方式来捕获细节更为详细、语义更加丰富的特征信息。实验结果表明,该模型能够在对低照度图像的亮度进行合理增强的同时,使图像边缘轮廓清晰。3)提出了一种新颖的基于注意力机制多尺度多阶段的图像增强体系结构,该模型以跨阶段聚合多尺度特征的策略来处理图像数据,将具有挑战性的低照度图像增强任务分解为多阶段任务,通过混合注意力机制对有效特征进行筛选以及指导网络各阶段进行训练以逐阶段增强图像的亮度。针对每个阶段需要获取的特征信息,其每阶段的网络模型采用不同的结构同时在最后阶段进行相应的去噪处理。实验结果表明,基于注意力机制多尺度多阶段的图像增强模型不仅可以有效地增强低照度图像的亮度,使增强后的图像具有合理的亮度分布,还能抑制图像中的暗部噪声。