由于光线不足、光照不均匀、背光等因素的影响,在弱光环境下捕获的图像不可避免地会出现图像视觉效果差、细节不清等问题。这使得某些应用的使用范围受到了极大的限制,如人脸检测、自动驾驶、监控安防等。因此,对于低照度图像增强技术的研究具有重要的意义。随着计算机视觉技术的不断发展,利用深度学习的方法处理低照度图像已成为主流的研究方向之一。本文主要研究自监督和有监督两种深度学习的方法增强低照度图像,具体内容如下:1、改进了一种自监督学习的低照度图像增强算法。针对该算法增强后的图像包含过多的噪声和出现过度增强问题,本文首先使用压缩直方图算法替换了原本的直方图均衡化（HE）算法,解决了过度增强、天空区域颜色信息不对称等问题。然后,引入了通道和空间两种组合型注意力机制来对不同的图像特征进行相应的关注,以解决增强后图像存在明显噪声的问题。最后,通过增加网络的卷积层数和级联数,使得网络的性能进一步提升。2、提出了一种用于增强低照度图像的细节补充Transformer融合网络。在网络的第一个分支中,我们结合了 Transformer和卷积神经网络（CNN）的优势,以提升低照度图像的亮度和对比度。具体来说,我们使用了一个具有非重叠移位窗口的多头自注意模块来模拟数据中的远距离依赖关系,这有效地改善了基于CNN的方法使用固定的感受野来增强不同退化程度图像的局限性。在网络的第二个分支中,我们使用一个能够有效编码多尺度上下文信息的Transformer网络来实现对第一个分支特征信息的细节补充。最后,我们设计了一种新的融合模块来获得高质量的图像。3、使用LOL、SICE、DICM、LIME、MEF、NPE、VV、Fusion数据集进行实验,分别从主观和客观两个方面对我们改进和提出的方法进行了评价。同时与多种主流的低照度图像增强算法进行了对比,以验证我们改进和提出的网络具有良好的鲁棒性和有效性。另外,我们对提出的模块进行了相应的消融实验以验证其有效性和实用性。4、探索了第四章提出方法的实际应用能力。本文将提出算法的增强结果分别应用于人脸检测、人体检测、人流量统计、车辆检测和深度估计这五个领域。然后,进行了相应的对比实验,实验结果表明使用我们的方法可以不同程度的提升各个应用的准确率和精度。