井下环境复杂，充斥着大量粉尘和水汽且人造光源光照不均，导致井下监控设备采集到的图像往往呈现出照度低、细节特征丢失等问题，严重影响了矿业安全监控设备的实时性，不利于后续计算机视觉任务，同时井下数据采集困难，难以制作配对的井下低照度图像数据集用于模型训练。针对上述问题，提出了一种基于CycleGAN的低照度图像增强算法。针对矿井下采集配对数据集困难，使用CycleGAN网络进行无监督学习；为改善生成器网络的细节特征提取能力，利用无参注意力机制(simAM)和双通道注意力机制(CBAM)构建图像增强网络，提高复杂背景下模型的抗干扰能力，使模型恢复图像细节特征效果更好；引入由残差空洞卷积构建亮度增强模块，在提升图像亮度的同时增大生成器网络的感受野，有利于细节的恢复，提高图像视觉质量；以Patch-GAN作为网络的判别器，将输入映射成一个矩阵，更加全面的关注到图像不同区域的细节特征，提高判别器对图像细节的分辨能力。实验结果表明，相较于算法CycleGAN，本文方法在峰值信噪比(PSNR)、结构相似度(SSIM)、信息熵和视觉信息保真度(VIF)上平均提高了11.31%、8.07%、2.58%、6.18%。

0.引言
1. 基于CycleGAN的图像增强模型
1.1循环一致性生成对抗网络基本原理
1.2生成器网络框架
1.2.1 simAM模块
1.2.2 亮度增强模块
1.2.3 双通道注意力机制CBAM
1.3 判别器
1.4 损失函数
2. 实验结果与分析
2.1主观评价
2.2 客观评价
2.3 消融实验
3. 结论