随着计算机科学中计算机视觉领域的发展,人们对于图像质量的要求越来越高,不管是野外的夜晚还是室内弱光环境,在曝光不足的场景中采集到的图像或者视频往往因为亮度和对比度的不同难以让人区分出图像的细节,同时低光环境中所拍摄的图像往往带有大量的噪声,得到的数据不能满足人们对其的期望,也不能够应用于高级视觉任务的需要,因此,我们更需要一种有效的图像增强算法来满足高级视觉任务的需要。低照度图像增强技术是通过对数字图像处理之后,能够满足人们关于图像亮度、对比度和色彩饱和度的需求,其核心思想是在恢复其细节和色彩的同时能够有效地提高亮度和对比度,同时避免一些因为低光照环境而带来的噪声。低照度图像增强技术在野外军事侦察、夜间防盗监控、图像背光处理和夜间自动驾驶等领域有着广泛的用途。本文主要针对低照度图像增强任务,来探讨深度神经网络在单张图像处理任务中的性能,通过设计图像增强网络,进一步扩展实验到图像去雨任务和水下图像增强任务中,对一些经典的理论和算法做出了进一步的讨论。本文的主要贡献如下:1.在基于大脑视网膜理论即Retinex理论的方法中,针对传统Retinex理论关于分解图像的繁琐操作,结合多分支神经网络改进并设计了一种端到端的神经网络结构,通过使用现有的多种神经网络模型作为分支网络,以此来提取图像的反射分量;同时,使用注意力模块对不同的分支结果进行处理,之后按照通道融合所处理的特征信息;在图像复原模块,使用一种U型神经网络接收反射和光照特征信息,得到最终结果。这一系列的操作均在同一个神经网络模型中完成,避免依靠人工经验设置中间参数。最后结果表明,本算法能够有效地提取图像的反射信息,在图像亮度、对比度和色彩上有着优异的效果。2.在基于模型堆叠的图像增强算法中,主要目的是为了设计一种能够在保证图像处理性能的前提下,能够适应图像处理实时性的需求,以便于更好的应用于自动驾驶等技术中。本文设计了一种新的模型堆叠的结构,不再采用传统的残差网络或者U型网络模型,利用多层卷积层先将输入进行特征提取,然后送入本章节所提出的模型堆叠网络中,在融合每个模块得到的特征后,最后通过图像恢复模块得到最终的图像。通过大量的实验,本文方法能够适应实时性的要求,在主观和客观指标中变现优秀。3.在基于多级特征融合的方法中,主要目的是为了能够处理多种任务场景下的图像,包括雨线图像和水下图像。多级特征融合的方式是分阶段处理图像,利用多级模块在对图像处理完后,送入到下一级模块中进一步处理,通过逐渐优化图像结构得到最终的结果。在多级特征融合模块中,首先是由一个门控神经网络和两个卷积神经网络构成的图像特征预提取部分,然后紧接着是一个三分支的图像处理部分,其中本文设计了一种三通道的注意力机制,通过这种方法进一步对图像进行处理。与此同时,在处理过程中参考上一级的结果特征,能够更好地参考图像上下文特征。结果表明,本文的方法能够在低照度图像增强任务、图像去雨任务和水下图像增强任务中有着良好的表现,主客观方面都有着良好的性能,能够适应多种图像恢复人物的需要。