弱光图像增强是计算机视觉领域的一个重要研究方向。由于受到光照强度低和曝光时间短等因素的影响,弱光图像中存在细节丢失、色彩暗淡、噪声突出等多种退化问题。这些问题不仅导致了糟糕的成像品质,影响视觉效果,而且为高级计算机视觉任务增加了难度。本文着重研究基于生成对抗网络（Generative Adversarial Network,简称GAN）的弱光图像增强算法,旨在提升弱光图像的亮度、恢复色彩、补全细节、减少噪声,以提高图像的成像品质。本文主要的工作和贡献如下:（1）针对已有基于Retinex理论增强算法生成效果差的问题,提出了一个基于Retinex理论和GAN的弱光图像增强模型Retinex-GAN。该模型包含三个串联的子模块:首先,Retinex分解模块从弱光图像中提取出亮度分量和反射分量;接着,亮度调整模块根据这两个分量估计弱光输入的亮度调整参数,并得到初步的增强结果;最后,噪声修正模块采用对抗学习的思想对该结果进一步调优,以得到更高质量的最终输出。实验结果表明,相对于当前已有方法,所提出模型在LOL-vl数据集上取得了性能提升。此外,本文提供了一个模型加速方案对Retinex-GAN模型进行加速,并减少了约25%的计算量。（2）针对监督学习方法在实际应用时泛化性不足的问题,提出了一个基于结构相似性和色彩一致性的无监督弱光图像增强模型NB-GAN（Natural Brighten-GAN）。该模型由四个模块组成:增强模块、结构相似性模块、色彩一致性模块以及自然度判别模块。其中,增强模块由其它三个模块共同优化;结构相似性模块用于在不同亮度的图像之间建立结构对应关系;色彩一致性模块用于监督生成图像的色彩;自然度判别模块用于提升图像的亮度并确保结果的真实性。实验结果表明,相对于当前已有方法,所提出模型在五个真实弱光数据集上（LIME、MEF、DICM、VV、NPE）取得了更低的平均 NIQE（Natural Image Quality Evaluator）指标,并生成了更自然的图像。（3）针对极低亮度图像生成效果差和增强程度无法控制的问题,提出了一个基于样例引导的弱光图像增强模型EGLLIE（Exemplar-Guided Low-Light Image Enhancement）。该模型使用已知的样例图像作为额外输入,以引导其进行增强。它由五个子模块组成:弱光编码器、样例编码器、区域匹配模块、注意力特征选择模块和解码器。其中,两个编码器分别用于提取弱光输入和样例输入的特征;区域匹配模块用于学习弱光图像和样例图像之间的区域匹配关系;注意力特征选择模块用于选择所需要的弱光特征和样例特征,并提供给解码模块进行增强。为了评估EGLLIE模型的性能,本文构建了两个样例数据集:Pseudo-LOL和EG-office。实验结果表明,相对于当前已有方法,该模型在Pseudo-LOL数据集上的PSNR和SSIM指标提升了约30%和1%,在极端的EG-office数据集上生成了更符合人眼感知的增强结果。此外,该模型还可以通过改变样例输入的亮度属性来控制增强的程度。（4）针对基础架构UNet中编码分布与解码分布差异大导致模型收敛不充分的问题,提出了基于迁移连接的弱光图像增强方法。受风格迁移任务的启发,迁移连接模块将解码特征的“风格”迁移至编码特征中,以减小两者之间的分布差异。本文将该轻量有效的迁移连接模块嵌入UNet、Retinex-GAN以及NB-GAN模型中,并在LOL-v2数据集上进行了对比实验。实验结果表明,迁移连接模块相对于跳跃连接只增加了微不足道的参数和计算量,却显著提升了相关模型的性能。特别在UNet模型上,PSNR和SSIM指标提升了约22%和5%,LPIPS（Learned Perceptual Image Patch Similarity）①指标降低了约 18%。