随着数字化时代的快速发展,图像和视频成为获取信息的主要形式之一,由于硬件成本以及环境的限制,捕捉到的图像会呈现出低光照、背光不足、局部区域模糊等特征,既影响了信息获取的准确度,也会影响实际任务如目标检测和人像识别等等任务中对高质量图像的需求。往往需要手动调节低质量图像的亮度、对比度、饱和度以及图像的局部区域的质量,从而使得图像可以传递更丰富的信息,但是这样的过程往往比较耗时。因此,对自然图像自适应增强算法进行研究,并将其投入到实际应用中提高自然图像的质量是非常有意义的。基于深度学习的图像增强技术取得了不错的发展,但是对于自然图像增强任务,现有的算法模型对于增强后的图像在细节、纹理、局部信息增强等方面处理依旧存在不足,本文通过设计深度网络模型并且结合生成对抗网络模型对低质量自然图像进行增强,并在此基础上结合深度伽马变换自适应学习伽马参数对图像进行增强,本文的主要工作和贡献点在于:1.为了更好的增强自然图像的局部细节和纹理信息,提出了一种基于生成对抗网络的自然图像增强模型。该模型为了充分挖掘自然图像的特征信息,生成网络使用注意力机制,建立丰富的短连接机制,充分利用网络结构中前后的特征信息,为了使得增强后的图像在亮度方面更加接近目标增强图像,将输入图像的亮度信息作为整个模型的监督信息;为了使得生成图像的局部区域细节、纹理得到更好增强,该模型在全局鉴别网络的基础上,使用局部鉴别网络对输出增强图像的局部区域进行判别;同时改进对抗模型以及整体模型的优化目标,使得增强后的自然图像在细节、纹理方面更加满足视觉需求。2.为了更好的增强自然图像的对比度和亮度信息,提出基于深度伽马变换的自然图像增强模型。该模型首先使用传统线性变换改进传统伽马变换模型,同时与卷积神经网络进行融合,通过设计全局特征提取模块和局部特征提取模块自适应学习改进伽马变换的参数,使得生成的自然图像在对比度、亮度方面更加接近于目标增强图像。为了同时使得生成图像的纹理以及细节信息更加接近于目标增强图像,该增强模型与生成对抗网络模型进行结合,基于深度伽马变换增强模型作为生成网络,同时利用鉴别网络对生成模型输出图像的纹理和细节进行判别增强,该模型在增强自然图像颜色和对比度的同时,保持了图像细节和纹理的增强。实验结果证明了该创新方法在自然图像增强任务上取得了良好的效果。