图像增强通常是指改善图像的视觉效果或突出某些图像特征,一般包括图像去噪、图像超分辨率、图像去模糊等底层视觉图像处理。近年来,随着深度学习在图像分类、目标检测与跟踪等计算机视觉高层任务方面大获成功,在底层视觉的图像增强领域,深度学习方法也开始被深入研究及广泛应用。本文基于深度学习前沿热点的理论和方法-生成对抗网络(GAN)及注意力机制,围绕图像及视频超分辨、运动去模糊等图像增强任务,提出了一些新的、有针对性的深度模型及方法,取得了较好的效果。本文的主要研究工作如下:1)基于特征保持GAN模型的人脸图像超分辨重建针对传统卷积神经网络人脸超分辨重建算法存在的人脸图像模糊问题,我们提出了一种基于特征保持GAN的大倍率人脸图像超分辨深度学习模型。该模型可在不使用任何先验信息的情况下实现极低分辨率的人脸图像8倍率超分辨。我们在传统的图像内容判别网络之外,额外引入了人脸特征判别网络以实现人脸特征保持图像重建。2)高阶门控注意力学习联合图像超分辨率和运动去模糊当前大多数图像退化工作通常假设低质量图像都是由一种退化因素导致,但实际低质量图像通常是由分辨率降低、模糊及噪声干扰等一系列因素产生。为此,我们研究了图像多重因素退化模型,并分析了图像运动去模糊与图像超分辨任务子网络的特征相关性,采用高阶门控注意力机制来自动学习不同阶注意力内容并融合,以实现联合图像超分辨率和运动去模糊。3)结合非局部模块和时域信息融合的深度注意力视频图像增强针对现有深度学习视频超分辨方法性能表现不佳的现象,我们基于深度注意力学习网络,引入非局部(Non-local)模块和时域信息融合,给出了一种新的视频图像增强深度模型。该模型采用多帧融合和非局部模块处理各种复杂运动,在优酷视频挑战赛中表现出较好的视频增强效果。