基于深度學(xué)習(xí)的低光照圖像增強研究綜述

基于深度學(xué)習(xí)的低光照圖像增強研究綜述

主講人：目錄01低光照圖像增強概述02深度學(xué)習(xí)技術(shù)基礎(chǔ)03低光照增強方法04深度學(xué)習(xí)模型應(yīng)用05性能評估與挑戰(zhàn)06綜述總結(jié)與展望低光照圖像增強概述01低光照圖像問題在低光照條件下，圖像傳感器捕獲的信號弱，導(dǎo)致圖像噪聲顯著增加，影響視覺質(zhì)量。圖像噪聲增加低光照環(huán)境下，圖像色彩還原不準(zhǔn)確，常常出現(xiàn)偏色或色彩飽和度不足的問題。色彩失真由于光照不足，圖像中的細節(jié)和紋理信息難以捕捉，造成圖像細節(jié)丟失，清晰度下降。細節(jié)丟失圖像增強的重要性增強安全監(jiān)控提高視覺質(zhì)量0103監(jiān)控攝像頭在低光照環(huán)境下捕捉的圖像通過增強技術(shù)處理后，可以更有效地用于安全監(jiān)控和犯罪預(yù)防。圖像增強技術(shù)能夠改善低光照條件下圖像的可視性，提升細節(jié)和對比度，使圖像更清晰。02在醫(yī)學(xué)成像中，增強后的圖像有助于醫(yī)生更準(zhǔn)確地診斷疾病，如腫瘤的早期發(fā)現(xiàn)。輔助醫(yī)療診斷研究背景與意義增強技術(shù)的發(fā)展趨勢低光照圖像增強的挑戰(zhàn)在夜間或暗光環(huán)境下，圖像質(zhì)量顯著下降，給視覺任務(wù)帶來挑戰(zhàn)，如目標(biāo)檢測和人臉識別。隨著深度學(xué)習(xí)技術(shù)的進步，低光照圖像增強方法從傳統(tǒng)算法向基于深度神經(jīng)網(wǎng)絡(luò)的方法轉(zhuǎn)變。應(yīng)用領(lǐng)域的重要性低光照圖像增強技術(shù)在安防監(jiān)控、自動駕駛、醫(yī)療成像等領(lǐng)域具有重要的應(yīng)用價值和市場潛力。深度學(xué)習(xí)技術(shù)基礎(chǔ)02深度學(xué)習(xí)簡介深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支，其核心是多層神經(jīng)網(wǎng)絡(luò)，起源于20世紀80年代的反向傳播算法。神經(jīng)網(wǎng)絡(luò)的起源01深度學(xué)習(xí)的發(fā)展離不開關(guān)鍵算法如卷積神經(jīng)網(wǎng)絡(luò)(CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，它們在圖像和序列數(shù)據(jù)處理中表現(xiàn)卓越。關(guān)鍵算法與模型02深度學(xué)習(xí)的興起與大數(shù)據(jù)時代的到來以及GPU等硬件計算能力的提升密不可分，使得復(fù)雜模型訓(xùn)練成為可能。大數(shù)據(jù)與計算能力03從最初的語音識別到現(xiàn)在的圖像增強、自然語言處理等，深度學(xué)習(xí)技術(shù)已廣泛應(yīng)用于多個領(lǐng)域。應(yīng)用領(lǐng)域擴展04卷積神經(jīng)網(wǎng)絡(luò)(CNN)CNN由卷積層、池化層和全連接層組成，能夠自動提取圖像特征，適用于圖像識別和處理。CNN的基本結(jié)構(gòu)01卷積層通過濾波器提取局部特征，是CNN中用于特征檢測的核心組件。卷積層的作用02池化層降低特征維度，減少計算量，同時保留重要信息，增強模型的泛化能力。池化層的功能03全連接層整合特征，進行分類或回歸分析，是CNN中實現(xiàn)決策的關(guān)鍵部分。全連接層的角色04生成對抗網(wǎng)絡(luò)(GAN)GAN的基本原理GAN由生成器和判別器組成，通過對抗訓(xùn)練使生成器產(chǎn)生逼真的圖像。GAN在圖像增強中的應(yīng)用利用GAN的生成能力，可以將低光照圖像轉(zhuǎn)換為清晰、亮度適宜的圖像。GAN的訓(xùn)練挑戰(zhàn)訓(xùn)練GAN時，生成器和判別器之間的平衡難以把握，容易出現(xiàn)模式崩潰等問題。低光照增強方法03傳統(tǒng)圖像增強方法通過調(diào)整圖像的直方圖分布，改善圖像的對比度，常用于增強低光照下的圖像細節(jié)。直方圖均衡化01利用小波變換對圖像進行多尺度分解，增強圖像的局部特征，適用于低光照圖像的細節(jié)恢復(fù)。小波變換02基于Retinex理論的方法通過估計圖像的光照和反射分量來增強圖像，改善低光照下的視覺效果。Retinex理論03深度學(xué)習(xí)增強方法利用CNN提取圖像特征，通過學(xué)習(xí)大量低光照和正常光照圖像對，實現(xiàn)圖像亮度和對比度的提升?；诰矸e神經(jīng)網(wǎng)絡(luò)的方法GAN通過對抗訓(xùn)練，生成清晰的圖像細節(jié)，有效改善低光照圖像的視覺效果，如使用SRGAN進行超分辨率增強。生成對抗網(wǎng)絡(luò)（GAN）的應(yīng)用深度學(xué)習(xí)增強方法自編碼器通過編碼和解碼過程學(xué)習(xí)圖像的低維表示，再重構(gòu)出增強后的圖像，例如使用DenoisingAutoencoders。自編碼器結(jié)構(gòu)注意力機制幫助模型聚焦于圖像的重要區(qū)域，提高低光照圖像增強的細節(jié)保留和質(zhì)量，如SENet在圖像增強中的應(yīng)用。基于注意力機制的模型方法比較與分析Retinex理論通過分離光照和反射分量來增強圖像，如MSRCR和SSR等算法。01端到端學(xué)習(xí)模型如U-Net和GANs直接從低光照圖像到清晰圖像的映射，效果顯著。02直方圖均衡化通過調(diào)整圖像的對比度來改善視覺效果，如HE和CLAHE算法。03多尺度變換如小波變換和曲波變換在不同尺度上處理圖像細節(jié)，提升增強效果。04基于Retinex理論的方法基于深度學(xué)習(xí)的端到端方法基于直方圖均衡化的方法基于多尺度變換的方法深度學(xué)習(xí)模型應(yīng)用04模型架構(gòu)設(shè)計卷積神經(jīng)網(wǎng)絡(luò)（CNN）CNN通過多層卷積操作提取圖像特征，廣泛應(yīng)用于低光照圖像的特征增強。生成對抗網(wǎng)絡(luò)（GAN）GAN利用生成器和判別器的對抗過程改善圖像質(zhì)量，特別適合于細節(jié)恢復(fù)和噪聲抑制。殘差網(wǎng)絡(luò)（ResNet）ResNet通過引入殘差學(xué)習(xí)解決深層網(wǎng)絡(luò)訓(xùn)練難題，有效提升低光照圖像增強的性能。注意力機制模型注意力機制幫助模型聚焦于圖像的重要區(qū)域，提高低光照圖像增強的準(zhǔn)確性和效率。訓(xùn)練與優(yōu)化策略通過旋轉(zhuǎn)、縮放等方法擴充數(shù)據(jù)集，提高模型在不同低光照條件下的泛化能力。數(shù)據(jù)增強技術(shù)利用網(wǎng)格搜索、隨機搜索等策略優(yōu)化學(xué)習(xí)率、批大小等超參數(shù)，以獲得更好的訓(xùn)練效果。超參數(shù)調(diào)優(yōu)應(yīng)用L1、L2正則化或Dropout技術(shù)減少過擬合，提升模型在真實場景中的表現(xiàn)。正則化方法采用預(yù)訓(xùn)練模型進行遷移學(xué)習(xí)，加速收斂并提高低光照圖像增強模型的性能。遷移學(xué)習(xí)應(yīng)用應(yīng)用案例分析利用深度學(xué)習(xí)模型，如RetinexNet，增強AR應(yīng)用中的低光照圖像，提升用戶體驗。增強現(xiàn)實中的應(yīng)用深度學(xué)習(xí)模型如U-Net被用于增強MRI和CT掃描圖像，幫助醫(yī)生更準(zhǔn)確地診斷疾病。醫(yī)學(xué)影像處理通過使用像SID模型這樣的深度學(xué)習(xí)技術(shù)，可以顯著提高夜間監(jiān)控視頻的質(zhì)量，增強安全性。夜間監(jiān)控視頻性能評估與挑戰(zhàn)05評估指標(biāo)信噪比是衡量圖像質(zhì)量的重要指標(biāo)，高信噪比通常意味著圖像細節(jié)更清晰，噪聲更少。信噪比（SNR）SSIM用于評估圖像結(jié)構(gòu)信息的保持程度，高SSIM值表明增強后的圖像與原始圖像在結(jié)構(gòu)上更相似。結(jié)構(gòu)相似性指數(shù)（SSIM）PSNR是衡量圖像質(zhì)量的常用指標(biāo)，它通過計算圖像像素值的差異來評估圖像的清晰度和保真度。峰值信噪比（PSNR）現(xiàn)有方法的局限性許多低光照增強算法在提高亮度的同時放大了噪聲，影響圖像質(zhì)量。對噪聲的敏感性現(xiàn)有技術(shù)在增強亮度時往往丟失圖像細節(jié)，導(dǎo)致視覺效果不自然。細節(jié)保留不足深度學(xué)習(xí)模型通常需要大量計算資源，限制了其在實時應(yīng)用中的使用。計算復(fù)雜度高訓(xùn)練好的模型在面對不同場景的低光照圖像時，效果往往大打折扣。泛化能力有限未來研究方向研究如何使增強算法在不同類型的低光照圖像上都能保持良好的性能，提高其泛化能力。增強算法的泛化能力研究結(jié)合紅外、多光譜等不同成像模態(tài)的數(shù)據(jù)，以提高低光照圖像增強的效果和魯棒性。多模態(tài)融合方法探索低延遲的圖像增強技術(shù)，使算法能夠?qū)崿F(xiàn)實時處理，滿足視頻增強的需求。實時處理技術(shù)開發(fā)新的防御機制，以增強算法對對抗性攻擊的抵抗力，確保增強圖像的質(zhì)量和安全性。對抗性樣本的防御機制01020304綜述總結(jié)與展望06研究成果總結(jié)介紹近年來低光照圖像增強領(lǐng)域中，深度學(xué)習(xí)算法的發(fā)展，如Retinex理論與CNN結(jié)合的模型。低光照圖像增強算法進展01概述在低光照圖像增強研究中，性能評估指標(biāo)如何從簡單的PSNR、SSIM發(fā)展到更復(fù)雜的視覺感知指標(biāo)。性能評估指標(biāo)的演變02舉例說明深度學(xué)習(xí)在低光照圖像增強中的應(yīng)用，如夜間監(jiān)控視頻的清晰化處理。實際應(yīng)用案例分析03當(dāng)前研究趨勢多模態(tài)融合技術(shù)利用深度學(xué)習(xí)融合不同傳感器數(shù)據(jù)，以提升低光照圖像的細節(jié)和色彩表現(xiàn)。對抗生成網(wǎng)絡(luò)（GAN）通過GAN生成高質(zhì)量的低光照圖像，增強細節(jié)并減少噪聲，提高視覺效果。自適應(yīng)算法發(fā)展研究自適應(yīng)算法以自動調(diào)整增強參數(shù)，適應(yīng)不同場景的低光照圖像增強需求。未來技術(shù)展望隨著算法的不斷進步，未來低光照圖像增強技術(shù)將更加注重深度學(xué)習(xí)模型的優(yōu)化，以提高處理速度和圖像質(zhì)量。深度學(xué)習(xí)算法的優(yōu)化低光照圖像增強技術(shù)將被拓展到更多領(lǐng)域，如醫(yī)療成像、夜間監(jiān)控等，以滿足不同場景的需求?？珙I(lǐng)域應(yīng)用拓展未來研究可能會結(jié)合多模態(tài)數(shù)據(jù)，如紅外和可見光圖像，以實現(xiàn)更準(zhǔn)確的低光照圖像增強。多模態(tài)數(shù)據(jù)融合隨著硬件技術(shù)的發(fā)展，增強算法將趨向于實時處理，為用戶提供即時的圖像增強體驗。實時處理能力基于深度學(xué)習(xí)的低光照圖像增強研究綜述(1)

內(nèi)容摘要01內(nèi)容摘要

低光照圖像增強是提高圖像質(zhì)量的關(guān)鍵步驟之一，尤其在夜間或光線不足的環(huán)境中，傳統(tǒng)方法難以滿足需求。深度學(xué)習(xí)作為機器學(xué)習(xí)的一個分支，以其強大的特征學(xué)習(xí)能力，為解決這一問題提供了新的思路。深度學(xué)習(xí)在圖像增強中的應(yīng)用02深度學(xué)習(xí)在圖像增強中的應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)因其對圖像局部特征的敏感度而廣泛應(yīng)用于圖像識別和分類任務(wù)，同樣也適用于圖像增強。通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，可以優(yōu)化圖像的對比度、亮度等屬性。1.卷積神經(jīng)網(wǎng)絡(luò)（CNN）的應(yīng)用生成對抗網(wǎng)絡(luò)通過兩個網(wǎng)絡(luò)的競爭來學(xué)習(xí)圖像數(shù)據(jù)，一個負責(zé)生成圖像，另一個負責(zé)鑒別真實與生成圖像之間的差異。這種網(wǎng)絡(luò)在圖像超分辨率、風(fēng)格遷移等方面取得了顯著效果。2.生成對抗網(wǎng)絡(luò)（GAN）變分自編碼器通過構(gòu)建一個近似高斯分布的先驗分布來學(xué)習(xí)輸入數(shù)據(jù)的隱層表示，進而實現(xiàn)圖像的增強。該模型能夠有效地提升圖像的視覺效果，同時保持細節(jié)信息。3.變分自編碼器（VAE）

深度學(xué)習(xí)在圖像增強中的應(yīng)用

4.其他深度學(xué)習(xí)算法除了上述幾種典型算法外，還有如深度可變形模型（DPM）、深度信念網(wǎng)絡(luò)（DBN）等在其他特定場景下也有應(yīng)用，它們各自在圖像增強中展現(xiàn)出獨特的性能特點。深度學(xué)習(xí)技術(shù)的優(yōu)勢與挑戰(zhàn)03深度學(xué)習(xí)技術(shù)的優(yōu)勢與挑戰(zhàn)

深度學(xué)習(xí)技術(shù)在圖像增強中的優(yōu)勢主要體現(xiàn)在其強大的特征學(xué)習(xí)能力上，能夠自動發(fā)現(xiàn)和學(xué)習(xí)圖像的內(nèi)在特征，從而有效改善低光照圖像的質(zhì)量。然而，深度學(xué)習(xí)模型的訓(xùn)練需要大量的標(biāo)注數(shù)據(jù)，且訓(xùn)練過程耗時較長。此外，模型泛化能力的限制也是當(dāng)前面臨的挑戰(zhàn)之一。未來發(fā)展方向04未來發(fā)展方向

未來研究應(yīng)致力于收集更多高質(zhì)量的低光照圖像數(shù)據(jù)，并進行準(zhǔn)確的標(biāo)注，以便于訓(xùn)練更加精準(zhǔn)的深度學(xué)習(xí)模型。1.數(shù)據(jù)收集與標(biāo)注

結(jié)合多模態(tài)數(shù)據(jù)（如時間序列數(shù)據(jù)、視頻數(shù)據(jù)等），利用深度學(xué)習(xí)進行跨模態(tài)學(xué)習(xí)，可能有助于更好地理解圖像中的動態(tài)變化，從而進一步提升圖像增強的效果。3.跨模態(tài)學(xué)習(xí)

針對深度學(xué)習(xí)模型在訓(xùn)練過程中出現(xiàn)的過擬合問題、計算效率低下等問題，需要不斷探索新的優(yōu)化策略和技術(shù)路線。2.模型優(yōu)化與改進結(jié)論05結(jié)論

基于深度學(xué)習(xí)的低光照圖像增強是一個充滿挑戰(zhàn)與機遇的領(lǐng)域。雖然目前還存在諸多問題和挑戰(zhàn)，但隨著技術(shù)的不斷進步和研究的深入，有理由相信未來深度學(xué)習(xí)將在這一領(lǐng)域發(fā)揮更大的作用，為圖像處理技術(shù)的發(fā)展做出重要貢獻。基于深度學(xué)習(xí)的低光照圖像增強研究綜述(2)

概要介紹01概要介紹

隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，低光照圖像增強已成為計算機視覺領(lǐng)域的一個重要研究方向。低光照環(huán)境下拍攝的圖像往往存在亮度不足、細節(jié)丟失等問題，嚴重影響圖像質(zhì)量。因此，對低光照圖像進行增強處理，提高圖像的視覺效果，具有重要的現(xiàn)實意義。本文旨在綜述基于深度學(xué)習(xí)的低光照圖像增強研究現(xiàn)狀、方法及未來發(fā)展方向。研究現(xiàn)狀02研究現(xiàn)狀

低光照圖像增強是計算機視覺領(lǐng)域的一個重要難題，長期以來受到廣泛關(guān)注。傳統(tǒng)的圖像增強方法主要包括直方圖均衡化、局部對比度增強等，但這些方法在處理復(fù)雜場景時往往效果不佳。近年來，深度學(xué)習(xí)技術(shù)為低光照圖像增強提供了新的解決方案?；谏疃葘W(xué)習(xí)的增強方法通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)從低光照圖像到正常光照圖像的映射關(guān)系，從而實現(xiàn)對低光照圖像的增強。目前，該領(lǐng)域的研究已取得顯著進展，但仍面臨諸多挑戰(zhàn)，如光照不均勻、噪聲干擾等問題。研究方法03研究方法結(jié)合深度學(xué)習(xí)與傳統(tǒng)圖像處理技術(shù)，提取圖像的多尺度特征，然后進行特征融合，提高圖像的亮度和對比度。3.特征融合方法

采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型，通過訓(xùn)練學(xué)習(xí)低光照圖像到正常光照圖像的映射關(guān)系。其中，生成對抗網(wǎng)絡(luò)（GAN）在圖像生成方面的優(yōu)異性能，已被廣泛應(yīng)用于低光照圖像增強。1.深度學(xué)習(xí)模型

利用大量低光照圖像和對應(yīng)的高質(zhì)量圖像數(shù)據(jù)集，訓(xùn)練深度學(xué)習(xí)模型，使模型學(xué)會從低光照圖像中提取有用信息，并生成高質(zhì)量圖像。2.數(shù)據(jù)驅(qū)動方法

研究方法直接學(xué)習(xí)從低光照圖像到增強圖像的映射，無需手動設(shè)計復(fù)雜的圖像處理流程。4.端到端學(xué)習(xí)方法

未來發(fā)展方向04未來發(fā)展方向

1.模型的輕量化和實時性2.光照不均勻和噪聲干擾問題3.無監(jiān)督學(xué)習(xí)方法目前的深度學(xué)習(xí)模型往往計算復(fù)雜，難以滿足實時性要求。未來的研究應(yīng)關(guān)注模型的輕量化和加速技術(shù)，以提高模型的實時性能。低光照圖像往往存在光照不均勻和噪聲干擾問題，未來的研究應(yīng)針對這些問題進行深入研究，提高模型的魯棒性。高質(zhì)量的數(shù)據(jù)集對于訓(xùn)練深度學(xué)習(xí)模型至關(guān)重要。然而，獲取大量的配對低光照和正常光照圖像數(shù)據(jù)集往往非常困難。因此，研究無監(jiān)督學(xué)習(xí)方法，利用無配對數(shù)據(jù)或單一圖像進行增強，是一個重要的研究方向。未來發(fā)展方向結(jié)合多種圖像處理技術(shù)，如超分辨率重建、去噪、去模糊等，實現(xiàn)多模態(tài)融合，提高低光照圖像的增強效果。4.多模態(tài)融合

基于深度學(xué)習(xí)的低光照圖像增強研究綜述(3)

基于深度學(xué)習(xí)的低光照圖像增強的研究背景與意義01基于深度學(xué)習(xí)的低光照圖像增強的研究背景與意義隨著智能設(shè)備的普及，用戶對高質(zhì)量圖像的需求日益增長。然而，在實際應(yīng)用中，由于環(huán)境光線條件不佳（如室內(nèi)燈光較暗），傳統(tǒng)圖像處理算法難以有效應(yīng)對。而深度學(xué)習(xí)因其強大的自適應(yīng)能力和泛化能力，成為解決此類問題的有效途徑。1.1研究背景

基于深度學(xué)習(xí)的低光照圖像增強的主要方法和技術(shù)02基于深度學(xué)習(xí)的低光照圖像增強的主要方法和技術(shù)

2.1基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的方法CNN是一種典型的深度學(xué)習(xí)模型，它具有很強的特征表示能力，適用于圖像處理任務(wù)。在低光照條件下，可以通過訓(xùn)練CNN模型，使其學(xué)會如何從原始圖像中恢復(fù)出清晰、明亮的圖像。2.2引入注意力機制的深度學(xué)習(xí)方法傳統(tǒng)的深度學(xué)習(xí)方法在處理低光照圖像時存在一些局限性，例如，當(dāng)光源不均勻分布時，可能無法準(zhǔn)確捕捉到重要信息。為此，引入注意力機制，使得模型能夠在局部區(qū)域聚焦，從而更有效地提取有用的信息，提高圖像質(zhì)量。結(jié)論03結(jié)論

盡管目前基于深度學(xué)習(xí)的低光照圖像增強技術(shù)已經(jīng)取得了一定的進展，但仍然面臨許多挑戰(zhàn)，如計算效率、魯棒性和可解釋性等。未來的研究方向應(yīng)集中在進一步優(yōu)化算法、提高模型性能以及開發(fā)更加靈活的框架上，以滿足不同場景下對圖像質(zhì)量的要求。同時，結(jié)合其他先進的圖像處理技術(shù)和硬件加速技術(shù)，也將有助于推動這一領(lǐng)域的快速發(fā)展?；谏疃葘W(xué)習(xí)的低光照圖像增強研究綜述(4)

概述01概述

低光照圖像增強是指在光照不足的情況下，通過算法改善圖像的亮度和對比度，使得圖像的細節(jié)更加清晰可見。低光照圖像增強對于提高圖像質(zhì)量、擴大應(yīng)用領(lǐng)域具有重要意義。傳統(tǒng)的方法主要包括直方圖均衡化理論等，但這些方法在處理低光照圖像時仍存在諸多不足，如細節(jié)丟失、過度增強等問題。近年來，基于深度學(xué)習(xí)的圖像增強方法逐漸成為研究熱點。深度學(xué)習(xí)通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型，能夠自動學(xué)習(xí)圖像的特征表示，從而有效地解決低光照圖像增強中的問題。本文將對基于深度學(xué)習(xí)的低光照圖像增強方法進行綜述，包括網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練策略和評價指標(biāo)等方面的研究進展?；谏疃葘W(xué)習(xí)的低光照圖像增強方法02基于深度學(xué)習(xí)的低光照圖像增強方法

（一）生成對抗網(wǎng)絡(luò)（GAN）生成對抗網(wǎng)絡(luò)（GAN）是一種由生成器和判別器組成的深度學(xué)習(xí)模型，通過兩者之間的對抗訓(xùn)練，使得生成器能夠生成更加真實的圖像。在低光照圖像增強領(lǐng)域，GAN被廣泛應(yīng)用于生成高質(zhì)量的增強圖像。例如和等網(wǎng)絡(luò)結(jié)構(gòu)被用于生成低光照圖像的增強圖像。（二）卷積神經(jīng)網(wǎng)絡(luò)（CNN）卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種具有局部感受野和權(quán)值共享的深度學(xué)習(xí)模型，能夠有效地提取圖像的特征?；谏疃葘W(xué)習(xí)的低光照圖像增強方法

在低光照圖像增強領(lǐng)域，CNN被用于提取圖像的低層特征，并通過上采樣等方法生成高質(zhì)量的增強圖像。例如和等網(wǎng)絡(luò)結(jié)構(gòu)被用于低光照圖像的增強。（三）自編碼器（AE）和變分自編碼器（VAE）自編碼器（AE）和變分自編碼器（VAE）是一種基于深度學(xué)習(xí)的無監(jiān)督學(xué)習(xí)模型