高可见度图像可反应目标场景的清晰细节,对于计算机视觉相关技术与应用十分重要,例如自动驾驶中的物体检测和跟踪。然而现实生产与生活中,往往因受环境与设备所限,获取的图像存在不同程度的光照不足现象,如夜间、逆光等情景。低光图像不仅视觉质量较差,而且还极大降低了图像的后续应用价值。为提升图像质量,学者们通过多样化的图像处理算法提高图像亮度值、改善图像色彩不真实现象、去除图像因低曝光所产生噪声点等,使得低光图像的客观评价指标与主观视觉效果都得到提升。近年来,深度卷积神经网络被广泛应用于图像增强问题中,采用成对数据集的端到端的低光增强网络设计已相对成熟,然而在真实场景中成对数据集的获取是很难实现的,因为同时捕获任意视觉场景中低光和正常光图像对是难以实现的。因此,目前学者所能使用的数据集中并没有真实场景获取的成对数据,往往通过专家标定等手段构造数据。而现有不依赖于精确成对图像进行低光增强的方法所得结果依然存在颜色失真、局部伪影、噪声严重等问题。为此,本文提出一套无监督的基于光照估计指导的低光增强方法。具体地,本文贡献点可以概括为:（1）提出一个基于指导的无监督低光增强框架性方法。该方法主要基于生成对抗网络模型,在生成网络中通过设计多尺度特征融合机制、引入图片自身隐含先验信息,以指导生成细节等信息完备的图像;同时采用局部和全局双鉴别器对无监督生成的图像进行局部和全局增强。（2）提出光照估计网络从低光照图像直接获得光照信息,通过设计具备局部平滑能力并保持图像结构特征的网络模块、引入具有平滑约束与保结构约束特性的损失函数,对原始低光图像所隐含光照信息进行充分挖掘,在估计光照的同时去除在低光照图像中的潜在噪声。本文通过将光照估计网络与低光增强网络同时训练,有效提升增强效果。（3）通过大量定性与定量实验验证本文算法的有效性。与现有最新算法相比,本文取得了较为领先的结果;在不同低光数据集上进行试验,包括成对数据集和无成对数据集,本文在相应的有参指标与无参指标上均取得显著提升效果;此外,本文同时引入人工判别指标对所有方法增强结果进行评判,本文方法亦取得显著优越性。