图像数据在各个领域比如在计算机视觉、安全监控、产品检验、人机交互和医学应用等都有着广泛地应用。然而在实际生活中,有许多光照强度低、背景光昏暗和逆光等场景,此时获取的图像存在亮度不足、对比度低、丢失大量细节信息等问题。此类低照度图像的图像质量差,无法达到人们预期的要求,同时也大大降低了图像的应用价值。本课题针对低照度图像增强算法进行研究,旨在通过研究一些技术手段和方法实现提升低照度图像质量,恢复原本低质图像的场景信息,从而获得具有完整细节、结构信息且自然、清晰的图像。本文利用生成对抗网络作为关键技术针对低照度图像增强课题提出了以下三种图像增强方法:通过将低照度增强问题转换为实现从低照度图像转换到正常照度图像的问题,利用条件生成对抗网络结构提出了一种基于U-Net生成对抗网络的低照度图像增强方法,称之为LLEGAN。该方法利用U-Net跳跃结构对图像信息的保留优势改进生成网络,提升了照度增强模型性能,使其在颜色和细节的修复方面表现更好;利用不同损失函数的特性改进网络总损失函数,使网络得到视觉与客观评价都更佳的照度增强图像。实验验证了LLEGAN方法能够有效实现低照度图像增强,且相较于一些经典照度增强算法,LLEGAN能得到更好的照度增强结果。针对生成对抗网络模型训练不稳定、存在模式坍塌等问题,利用条件变分自编码-生成对抗网络(CVAE-GAN)结构,通过结合条件变分自编码器(c VAE)和c GAN各自优势,提出一种基于条件变分自编码-生成对抗网络的低照度图像增强方法,称之为c VAE-GAN-LLE。首先,c VAE-GAN-LLE通过c VAE学习低照度图像的潜在状态表示,然后通过c GAN学习从低照度图像分布到正常照度图像分布的映射,最后通过c GAN的对抗训练增强低照度增强图像的质量。实验结果表明,变分自编码器的加入使模型更加稳定,同时增强结果图像质量更好。通过将生成对抗网络与Retinex理论中的亮度与色彩感知模型结合,并引入密集卷积块和注意力机制模块,提出一种基于Retinex和Attention的低照度图像增强网络,称之为MDAR-GAN。MDAR-GAN首先利用多尺度卷积对图像进行初步特征提取;其次设计密集卷积块对初步特征做进一步特征提取;然后利用注意力机制对特征进行完善之后实现对环境光照和噪声注意力图分量的估计;最后根据Retinex理论求出低照度图像中的反射分量,即为增强图像。实验表明,MDAR-GAN能够有效提升低照度图像的亮度、对比度、色彩等,且较之其他算法在评价指标上具有一定的优势。