低光照条件下光子不足、信噪比低,采集到的视觉数据有低对比度、色偏、噪声等严重的质量问题,这使得图像中的信息难以被有效提取,而光照和噪声在空间上的非均匀分布使得问题更为困难,这对计算机视觉系统中的图像增强和识别算法在真实场景中的应用而言是一个巨大的挑战。主流的低光照图像增强方法基于图像的Retinex分解,这是一个病态问题,而噪声的存在进一步增加了其病态性。本文首先基于噪声和光照之间的内在联系,分别研究在基于数据集的监督学习和无需训练数据集的无监督学习的设定下,如何在显著噪声的存在下进行鲁棒的Retinex分解,从而有效地提高低光照图像的可见性。然后分别针对现有监督学习方法忽略增强和识别任务目标的不一致性、现有无监督学习模型的训练效率低下的问题,研究如何获得训练效率高、泛化能力强的低光照识别模型。本文旨在提高低光照图像的能见度和质量,继而提高后续的视觉识别算法对光照变化的鲁棒性,让计算机在低光照条件下也能“看得清”、“看得准”。本文的研究成果概括如下:1.基于对具有边缘保持性质的双边空间中定义的逐像素的算子的预测,本文提出了一种通过同时估计光照和噪声来进行低光照图像增强的深度学习方法,该方法能够在空间变化的显著测量噪声的存在下对正常光照的图像进行准确的预测,其在处理在极端低光照条件下拍摄的图像时相比现有方法具有显著的优势。2.基于隐含在卷积神经网络结构中的深度图像先验以及一个具有光照自适应性的自监督去噪器,本文提出了一个既能利用深度网络的强大建模能力、又不需要任何训练样本的全无监督低光照图像增强方法,该方法和在训练数据集上进行监督学习的方法达到可比,且对统计特性复杂的噪声具有很强的鲁棒性。3.基于多曝光图像融合的思想,本文提出了一个联合增强和检测的端到端学习模型来解决低光照人脸检测问题。该模型不但能够有效地抑制不均匀分布的光照和噪声问题、从而提高人脸检测性能,还能灵活地和现成的不同人脸检测器进行耦合。该方法在低光照人脸检测基准集上取得了一流的检测效果。4.本文以自适应学习率为切入点来解决低光照语义分割模型训练效率低下的问题,探索了一种用于求解凸问题的计算复杂度低且收敛速度快的方法在训练神经网络这个非凸问题中的潜力,成功将其推广到小批量梯度下降法中的自适应学习率,并给出了相关收敛性分析。所提出的方法在学习速度和泛化性能方面均显示出显著的优势。