受复杂照明条件以及拍摄设备的影响,从现实环境中捕获的低光图像往往呈现出亮度偏暗,对比度偏弱,噪声较多,边缘信息较差,细节缺失的特点,严重影响了图像的可视性。提高低光图像的质量在许多图像处理和多媒体应用中扮演着非常重要的角色。光照估计一直是低光图像增强问题中的一大难点。很多现有深度学习方法缺乏对光照的有效先验约束,导致估计出的光照无法反应场景的真实结构,进而影响了恢复结果的质量。此外,一些模型采用“分解-重构”的设计思想,导致需要额外训练分解网络,增加了模型参数量,处理时间长。为改善上述问题,本文结合Retinex理论构建了一种两阶段串行网络架构,分别进行光照估计和反射优化,避免了分解网络在结构上的冗余。同时基于深度图与光照图在平滑和全局语义信息方面的相似性,引入深度作为光照的先验知识来提升光照估计的准确性。本文首先设计了一种深度信息通过损失函数对光照进行引导的方法。通过设计损失函数来最小化从深度图和光照图中提取的特征的差异,使网络在反向传播过程中自适应地学习如何精确估计光照。同时在反射调整过程中引入注意力机制进行引导,辅助补充细节和矫正颜色,提升恢复图像质量。此外,为了更加有针对性地提升模型的噪声抑制能力、探究先验知识的不同引导方式,本文还提出了一种深度信息通过特征层对光照进行引导的方法。采用空间特征变换模块从深度图中提取引导信息,在估计过程中多次对光照的中间层特征进行变换,实现特征融合。并通过集成去噪模块和内核选择模块来进一步提升模型的去噪能力、自动选择有效特征。与现有方法的对比实验从主观视觉效果和客观数值分析两方面表明了两种方法在低光图像增强任务上的优越性能,在PSNR指标上分别提升近5%和12%。大量消融性实验证明了深度信息引导光照估计的可行性及网络各模块的有效性。