低照度环境导致图像成像质量下降,图像噪声较多、对比度较低,用于图像分类、目标识别、图像理解分析、超分辨率重建等图像处理时效果不理想。因此需要对该类图像进行照度增强,即提高图像整体和局部的对比度、去噪,适当调整图像背景和边缘。本文利用变分自编码器作为关键技术针对低照度图像增强进行研究,从不同角度分析低照度图像特点,采用多种技术和手段完善低照度图像的图像结构,提高低照度图像的对比度、丰富细节并降低噪声,最终获得结构完整、色彩自然和细节清晰的高质量图像。本文主要提出了以下三种图像增强方法。针对低照度图像多重失真特点（低亮度、多噪声和模糊等）,基于变分自编码器提出了一种多重构变分自编码器（Multiple Reconstruction-Variational Auto Encoder,MR-VAE）,逐步增强、从粗到细地生成高质量低照度增强图像。MR-VAE由特征概率分布捕获、全局重构和细节重构三个模块构成,核心思想是将全局特征与局部特征分阶段重建、将多重失真问题逐步解决,全局重构模块构建图像全局特征,提高全局亮度,得到较粗糙的图像;细节重构模块权衡去噪与去模糊,生成细节更逼真、噪声更少与局部亮度更合适的图像;此外,定义了一个多项损失函数替代基础的VAE损失,以引导网络生成高质量图像。实验结果表明,多重构与多项损失函数的设计提高了网络生成复杂图像、处理多重失真的低照度图像性能,且提高了生成图像的质量、信噪比和视觉特性。低照度图像增强任务需要同时进行颜色恢复、去噪和光照增强等操作,但目前大部分工作仅考虑了光照增强,故难以生成高质量的增强图像。为了解决这个问题,提出一个以变分自编码器为基础,结合上下文编码和注意力机制的深度概率模型（A novel deep probabilistic framework that integrates both attention mechanism and context encoding into a unique variational autoencoder,ACE-VAE）。ACE-VAE的关键模块包括一个跳跃优化模块（skip refinement modulue,SRM）和一个上下文编码模块（context encoding module,CEM）。SRM利用注意力机制对跳跃信息进行加权,以筛选噪声并提取重要特征。CEM由一个注意力金字塔（attention feature pyramid,AFP）和一个全局上下文提取器（global context extractor,GCE）组成。其中,AFP用于对有效的上下文信息进行编码且自适应分配不同权重给局部区域;GCE用于捕获全局上下文信息。此外,提出一个包含内容生成、去噪和基本变分自编码器损失的多项式损失函数,利用该损失函数引导网络在增强光照和保持适当饱合度之间取得更好的平衡。实验表明ACE-VAE能够获得更好的性能。针对自适应增强问题,一方面由于低照度区域是分散的,学习像素间的长距离依赖关系有利于网络判断一个像素周边区域的照度,另一方面低照度区域的形状和面积具有多样性,学习多尺度表征能力有利于网络捕获这类特征。故通过将VAE与Transformer结合,并引入多尺度特征提取与自校准卷积,提出了Trans-VAE用于低照度图像增强,不同于MR-VAE和ACE-VAE,Trans-VAE具有更高效的低照度增强性能,采用“一步到位”的策略增强低照度图像,减少了算法复杂度,提高了增强效率。Trans-VAE主要由BSA（Bottleblock of Scale Aggregation）和BSAT（Bottleblock of Scale Aggregation with Transformer）组成。BSA用于捕获多尺度特征,BSAT通过将BSA的普通卷积层替换成Transformer而得到,主要用于学习长距离依赖关系,不同于标准的Transformer通过简单的线性变换获得Query、Value和Key,本文通过全局平均池化和自适应池化计算Query和Value,以获得全局和局部上下文的表示,促使网络根据全局信息自适应地增强局部区域。实验表明,Trans-VAE能够有效增强超低照度图像,优于经典和最新的低照度图像增强方法。