对于低照度图像增强过程中，因图像内容重叠且部分区域亮度差异较大导致的图像细节丢失的问题，提出一个注意力机制下的多阶段低照度图像增强网络。第一阶段利用改进的多尺度融合模块对图像进行初步增强；第二阶段利用第一阶段增强后的图像信息与本阶段的输入进行级联，并将其结果作为该阶段多尺度融合模块的输入；第三阶段利用第二阶段增强后的图像信息与该阶段的输入级联，并将其结果作为该阶段多尺度融合模块的输入。这样利用多阶段的方式完成自适应的亮度提升和细节的保留。在公开数据集LOL和SICE上的实验结果表明，相较于MSR算法、灰度直方图均衡化（HE）算法和RetinexNet等算法和网络，所提网络的峰值信噪比（PSNR）的数值提高了11.0%~28.9%，结构相似性（SSIM）的数值提高了6.8%~46.5%。所提网络利用多阶段和注意力机制实现低照度图像增强，有效解决了图像内容重叠和亮度差异大的问题，得到的图像细节更丰富，纹理更清晰，主观辨识度更高。

针对深度卷积生成对抗网络（DCGAN）中的对抗训练缺乏灵活性以及DCGAN所使用的二分类交叉熵损失（BCE loss）函数存在优化不灵活、收敛状态不明确的问题，提出了一种基于仲裁机制的生成对抗网络（GAN）改进算法，即在DCGAN的基础上引入了所提出的仲裁机制。首先，所提改进算法的网络结构由生成器、鉴别器和仲裁器组成；然后，生成器与鉴别器会根据训练规划进行对抗训练，并根据从数据集中感知学习到的特征分别强化生成图像以及辨别图像真伪的能力；其次，由上一轮经过对抗训练的生成器和鉴别器与度量分数计算模块一起组成仲裁器，该仲裁器将度量生成器与鉴别器对抗训练的结果，并反馈到训练规划中；最后，在网络结构中添加获胜限制以提高模型训练的稳定性，并使用Circle loss函数替换BCE loss函数，使得模型优化过程更灵活、收敛状态更明确。实验结果表明，所提算法在建筑类以及人脸数据集上有较好的生成效果，在LSUN数据集上，该算法的FID指标相较于DCGAN原始算法下降了1.04%；在CelebA数据集上，该算法的IS指标相较于DCGAN原始算法提高了4.53%。所提算法生成的图像具有更好的多样性以及更高的质量。