随着电子技术的发展,视觉传感器被广泛应用于社会各个方面,如军事,安保和车载等领域,它可以让观察者在一定距离之外,不经过接触就能对物体有一定的观测和了解。摄像设备和计算机的联合促进了计算机视觉任务的快速发展,从而更好地解决各种场景下的环境观测问题。其中,在夜间等光线暗淡的环境下拍摄得到的图片像素低,噪声大,阻碍着后续的图像处理,所以低光图像的增强技术是计算机视觉领域不可或缺的一部分。而根据现有的研究,大多数低光增强技术的着眼点更倾向于视觉效果而非图像特征,这使得它们难以增强图像的鲁棒性,不利于后续图像目标分割和识别。因此本文提出了两个基于深度学习的侧重于特征恢复领域的低光图像增强算法,力求在视觉效果和特征恢复两方面都达到优越的效果。它们的实现过程和创新点如下所示:1本文提出了一个基于注意神经过程（Attentive Neural Process,ANP）和超像素分割的低光图像增强与局部特征恢复模型。它首先利用合成的图像数据来训练一个简单的卷积神经网络（Convolutional Neural Networks,CNN）以获得初始增强图像,然后采用超像素分割得到具有相似信息意义的图像区域对,最后结合ANP网络迭代完成后续的图像局部增强。不同于传统神经网络寻找全局函数来表示增强关系,它可以学习一些具有随机性的概率分布的拟合,最后回归出最符合要求的映射结果。2本文提出了一个具有创新性的结合U-net网络和感知损失的多尺度特征恢复低光增强模型。它首先将图像通过一个去噪模块来减少后续增强过程的不确定性,然后用合成的图像训练数据集训练一个串联的“端到端”网络以完成整个增强过程。独特的U型结构搭配多个损失函数的制约使得算法能够更好地恢复图像位于不同尺度的特征信息,从而获得特征更加鲜明的正常光照的结果图像。最后,本文将所提出的方法与一些优秀的常见低光增强算法进行对比实验。实验分别从主观和客观两个角度出发,详细比较了不同算法在合成和真实低光图两个方面的优劣性。分析结果表明本文的算法不仅可以使低光图像增强结果具有更加自然的色彩,能为观察者带来愉快的视觉体验,满足基本的低光增强需求,而且可以尽可能多得恢复特征和图像细节,有利于后续的图像视觉任务。