图像恢复是图像处理和计算机视觉领域重要研究内容。在低照、雾霾等条件下,户外计算机视觉系统所采集图像通常会遭受严重的退化,如低亮度、低对比度、细节丢失等,严重影响其在户外计算机视觉系统中的应用。因此对户外计算机视觉系统在低照、雾霾等条件下采集图像进行增强和复原,具有非常重要的意义。本文聚焦于低照/雾霾图像增强和复原的深度学习方法研究,所开展主要工作及取得成果包括:（1）针对传统低照图像增强方法对噪声敏感及深度学习方法泛化性差等问题,提出一种用于低照图像增强的注意力自适应卷积神经网络。其整体框架由三个子网组成:基于编码器-解码器网络的梯度恢复子网、基于编码器-解码器网络的亮度恢复子网,以及用于亮度和对比度自适应调整的主干网络。为了避免在恢复图像亮度时弱化对比度的增强,在亮度和对比度自适应调整主干网络中,构建了一种具有线性对比度增强能力的新型自适应实例归一化模块,同时通过增加的梯度恢复子网分支保证了增强图像的结构和纹理完整性。实验结果和定量分析表明,该方法相比于现有方法取得了较好的增强效果,并且对于有高光区域的复杂低照场景以及光照不均衡的水下低照场景,该方法也都能取得较好的增强效果。相关工作已投稿于《IEEE Transactions on Image Processing》（审稿中）。（2）针对现有图像去雾方法对存在大片天空区域的雾霾图像或重度雾霾图像失效的问题,提出了一种基于上下文引导生成对抗网络的图像去雾方法。在该方法中,生成器网络采用了一种由特征提取子网、上下文提取子网和融合子网组成的新型编解码网络。其中,特征提取子网为一个用于提取雾霾图像特征的编码器;上下文提取子网是一个用于提取编码器深层特征并生成粗去雾图像的多尺度并行金字塔解码器;融合子网是一个融合特征提取子网特征和上下文提取子网特征并进行进一步复原的解码器。为了获得更好的去雾效果,上下文提取子网解码过程中获得的多尺度信息作为导引信息被用于优化融合子网的学习过程。为了保证提出的网络在不同的雾度情况下都能有效工作,两个解码器采用了不同的损失函数。实验结果表明,与现有的方法相比,该方法具有较好的去雾性能。相关工作已在《IET Image Processing》正式发表（CGGAN:A Context Guided Generative Adversarial Network For Single Image Dehazing,IET Image Processing,14（15）:3982-3988,2021.）。（3）针对夜间雾霾图像清晰化复原问题,提出一种基于注意力融合的生成对抗网络。该网络框架由一个基于卷积的低照图像增强网络、一个基于卷积的图像去雾网络、一个基于多头输入及注意力融合的生成网络,和一个基于卷积的判别网络组成。其方法思路是:首先预训练低照图像增强网络和图像去雾网络,然后将预训练的低照增强网络及预训练的图像去雾网络的输出图像与待处理的夜间雾霾图像一起作为输入图像输入到生成器中,并采用注意力融合和生成对抗的方式对夜间雾霾图像做进一步的增强处理。实验结果表明,本文方法成功的将低照图像增强方法和图像去雾方法加入到夜间雾霾图像的复原任务中,并且进一步提高了复原结果的质量。相关工作已经完成撰写。