受光照条件或相机参数的影响,数码相机通常无法捕获真实场景的完整动态范围,单次曝光拍摄的图像所包含的动态范围与人眼所能感受的动态范围存在巨大差距。对于光照不足的场景或区域,如夜景、昏暗的室内和背光拍摄场景,相机常由于曝光不足而捕获到低光照图像。低光照图像往往色彩暗淡、对比度低且图像细节丢失。对于光照不足的场景或区域,同时捕获低光照图像和正常光照图像是困难甚至不可行的,且低光照图像难以定义与其唯一对应的正常光照图像。此外,单张曝光图像只能保留场景中有限的动态范围,曝光不足的图像能够保留高亮度区域中的信息而丢失低亮度区域的细节,曝光过度的图像在捕获到更多低亮度区域细节的同时却由于高亮度区域像素溢出而丢失细节。同一时刻场景的不同曝光度图像能够相互补偿失真的信息。多图高动态范围图像合成方法通过融合多幅不同曝光度的图像生成出具有高动态范围的图像。运动场景下的多曝光图像存在明显的背景位移或物体运动,且由于不同曝光图像的亮度差异明显,使用光流图或单应矩阵进行图像的场景对齐并不能得到理想效果,进而导致多图高动态范围图像合成方法生成的图像中存在伪影。因此,本文对图像曝光增强方法进行研究,具体包括低光照图像增强和基于多幅曝光图像的高动态范围图像合成。首先,本文提出基于生成对抗网络的无参考低光照图像增强方法,使用生成对抗方式训练模型以避免依赖成对的训练图像。对于低光照图像存在的颜色失真以及场景结构和纹理细节丢失问题,本文提出自颜色损失用于还原低光照图像场景中的颜色,提出改进的基于空间和通道的自注意力融合模块、结合低光照图像全局信息的自适应实例归一化模块来恢复图像的结构和细节信息。实验结果显示,本文所提出的方法能够较好地还原低光照图像到正常光照图像,并在图像的视觉效果和无参考自然图像指标上的表现均比已有的低光照图像增强方法有所提升。进一步地,针对运动场景下的高动态范围图像合成任务,本文提出了一种基于生成对抗网络的多图高动态范围图像合成方法。设计了基于参考图像特征的残差融合模块来隐式地对齐特征域中的背景位移和物体运动,并且提出结合多尺度的深度高动态范围监督训练方法,促进特征域场景的对齐并且消除伪影。此外,大范围的物体运动往往导致多曝光图像之间的相互补偿失效。对此,本文使用基于对抗生成网络的方法进行多曝光图像的高动态范围图像重建,通过对抗训练提高生成网络的场景重建能力。在公共标准数据集上的实验结果表明,本文所提出的模型优于最先进的多图高动态范围图像生成模型。