随着图像设备与视觉系统普及,自动驾驶、目标检测等智能视觉算法使用场景广泛。然而在夜晚等昏暗场景下,设备所采集的低照度图像中物体表面照度不均匀、信噪比低,严重影响视觉算法的准确度,故低照度图像增强受到人们越来越多的关注。传统的低照度增强算法通过统计像素照度值,从而增强模型提高物体表面光照。目前研究表明Retinex成像模型能较好捕捉低照度图像光线分布,但是这种模式增强忽略了局部增强细节,具有一定局限性。近年来,融合深度学习的Retinex模型层出不穷,深度Retinex算法改变了增强算法的计算效率与格局。在总结分析相关低照度增强算法后,针对现有增强算法缺乏空间结构特征提取过程、色彩饱和度约束弱等问题,本中搭建融合注意力机制与生成对抗技术的AM-Retinex Net、AM-Retinex GAN算法,并获得了较好增强效果。其中AM-Retinex Net算法引入光照图,采取对增强过程进行“两阶段”调整策略。在第一阶段,低照度图像通过分解网络处理得到具有物体不变性的反射图和缓变平滑性的光照图;在第二阶段,光照图通过注意力层提取空间、纹理信息,指导照度恢复过程。此外AM-Retinex Net训练过程中,本文使用低照度图像合成法,扩充训练集数据量;构建新的损失函数,添加指导对比度收敛的色彩损失函数。最终实验数据表明,AM-Retinex Net在LOL和SID实验集除了改善扭曲、色斑等现象外;在增强评价指标上,PSNR指标提升15%、SSIM指标提升9.5%。在实际过程中我们发现,AM-Retinex Net算法虽然取得一定效果,但其训练过程依赖配对的低照度数据。在新的算法使用场景中,收集配对的低照度数据需要耗费巨大的人力。为进一步克服这些缺陷,本文第四章通过融合高效无监督生成对抗网络,改进后得到AM-Retinex GAN。AM-Retinex GAN借助对抗技术使得网络可以在没有配对的低照度数据情况下进行有效训练。其中AM-Retinex GAN的生成器G部分采用注意力机制,生成正常照度增强图像;判别器D部分采用全局-局部判别器结构,尽可能区分生成图像与真实图像;生成器G与判别器D不断博弈,最终生成器G不断优的化网络权重,能够满足接近正常照度的增强结果。在AM-Retinex GAN损失函数部分,本文添加自正规化感知损失融合。最终在LOL和SID实验集上的实验表明,AM-Retinex GAN在主客观的视觉评价方面优于基准算法。此外,BDD100K实验集上实验表明,AM-Retinex GAN能够与自动驾驶任务结合,提高低照度环境下提高自动驾驶的精确性。