基于深度学习的低质量图像增强技术研究摘要低质量图像增强是计算机视觉领域的一项基础性挑战，广泛涉及低光照图像增强、图像去模糊、图像去噪等多个子任务。低光照环境下拍摄的图像通常存在亮度不足、对比度低、细节丢失等问题；同时，在低光照条件下相机往往需要延长曝光时间以获得足够的光线，这又不可避免地引入运动模糊。这两个退化因素相互叠加、互为耦合，使低质量图像的复原成为一项极具挑战性的任务。本文围绕“低光照增强+图像去模糊”的双重任务展开研究，系统梳理了基于深度学习的图像增强与复原技术的发展脉络。在低光照增强方面，重点分析了基于Retinex理论的方法（如RetinexNet）和零参考深度曲线估计方法（Zero-DCE）；在图像去模糊方面，深入研究了多阶段渐进式图像恢复网络（MPRNet）和无非线性激活网络（NAFNet）。在此基础上，本文设计并实现了一套完整的图像增强系统，该系统将低光照增强与去模糊处理有机串联，并基于Gradio构建了简洁友好的交互式图形界面。本文贡献主要包括三个方面：一是对现有低光照增强与去模糊方法进行了系统的理论梳理与分析；二是提供了完整的PyTorch代码实现，涵盖模型构建、训练和推理全流程；三是开发了可直接运行的图形界面系统，降低了算法的使用门槛，具有良好的实用价值。关键词：深度学习；低光照图像增强；图像去模糊；Zero-DCE；NAFNet；Gradio第一章 绪论1.1 研究背景与意义数字图像是人类感知和记录世界的重要媒介。然而，