暗图像增强也被称为低光照图像增强,其致力于解决由不利光照条件或不专业的拍摄设备和人员拍摄导致的光照不均匀、极端低光照、背光、噪声、色偏以及压缩块效应等问题。低光照图像增强近年来得到了快速发展,然而在极端低光照和压缩低光照图像的增强方面仍充满挑战。典型地,夜晚拍摄的真实极端低光照图像往往光照非常不足且含有大量噪声。除了成像过程的光电转换噪声、暗电流噪声、模数转换噪声等,图像在格式转换和储存环节噪声程度还会进一步加剧。噪声和块效应一直是暗图增强中极具挑战性的研究问题。针对这样的挑战,本论文在极端低光照增强和压缩低光照图像增强方面开展了大量研究,努力解决暗图增强中并在的噪声和块效应放大问题,研究内容具体为:1.面向极暗图像的增强方法。由于极端低光照图像图像信噪比极低,在有监督的模式下网络需要噪声区域映射为一个清晰的目标,从而导致模糊和噪声抑制失败。为了处理上述问题,本论文从整体框架、网络结构以及损失函数三个方面,设计了一个感知细节生成对抗网络PD-GAN。具体地,本论文首先在WGAN-gp的基础上增加了一个纹理鉴别器以增强纹理以及抑制噪声;之后,本文利用编码器-解码器结构擅长恢复光照以及残差密集块能精细控制噪声的特性,设计了新的网络结构,避免了增强图像中的模糊现象;除此之外,本论文利用分数阶微分对于噪声和弱轮廓等纹理信息的提取能力,设计了一个抑制噪声同时增强纹理的损失函数。2.面向压缩暗图的增强方法。图像压缩会对图像进行变换和量化操作。增强压缩暗图时会无法避免地放大量化导致的块效应。本论文设计了一个基于生成对抗网络的可感知压缩的低光照图像增强算法,其设计思想为在增强光照幅度和块效应放大程度之间寻求一个平衡。首先,本论文发现HSV色彩空间的色彩分量能提供块效应的未知的先验信息,利用此先验信息对亮度进行调整;然后,在零次学习损失函数的限制下,控制生成器中的亮度调整网络输出尽可能增强光照的Hermite曲线参数;最后利用鉴别器区分压缩前后的图像的增强结果的块效应程度来抑制块效应。综上所述,本论文针对极暗图像和压缩暗图,分别设计了两种增强算法。实验表明,本论文设计的两种算法在增强过程中能分别抑制噪声和避免块效应。