1.一种曝光等级引导的低光低分辨率图像质量优化方法，包括：获取低光低分辨率的退化图像及退化图像对应的曝光水平，训练曝光估计模型，训练完成后给定新的低光低分辨率的退化图像，预测退化图像对应的曝光水平；其中，随机选择两张场景相同、曝光等级不同的低光、低分辨率图像 和 ，并使用曝光估计模块分别估计二者的曝光等级 和 ，并将它们复制、扩展成曝光等级图 和 ，其尺寸为 ，其中，H和W分别表示输入图像的高和宽，随机生成一个服从高斯分布的0-1矩阵 ，这两张图像和它们对应的曝光等级图根据 进行线性加权组合： ， ，融合之后的低光、低分辨率图像 会和融合之后的曝光等级图 进行通道级别的拼接： ，其中， 表示像素级别的拼接操作， 作为后续的图像修复子网络的输入；获得退化图像的曝光信息，随机融合两张场景相同、曝光等级不同图像的RGB信息及RGB信息对应的曝光等级信息，完成数据增强；构建图像修复模型，使用数据增强后的结果对图像修复模型进行训练，图像修复模型训练完成后，输入低光低分辨率的图像，获得正常曝光高分辨率的图像结果。
2.根据权利要求1所述的方法，其中，所述曝光估计模型在每次训练时，输入退化图像的RGB信息以及对应的低光影响因素的程度，存在多种曝光等级，曝光等级信息对应的是图像整体曝光水平的评估，取自图像成像时的环境亮度信息，对应不同的其他数据集的低光因素影响程度，根据数据集的信息进行对应的量化；曝光估计模型基于卷积神经网络和通道注意力机制，在获得模块的输出标签后，根据交叉熵损失函数来进行梯度反传，更新曝光估计模型参数。
3.根据权利要求1所述的方法，其中，所述数据增强，包括：随机融合两张场景相同、曝光等级不同图像的RGB信息及RGB信息对应的曝光等级信息，其中，所述曝光等级信息为曝光估计模块对输入图像的亮度水平的预测，所述曝光等级信息为与输入图像的大小相同的矩阵；选取同一场景不同亮度等级的两张图像，随机生成一个服从高斯分布的0-1矩阵R，之后这两张图像的RGB信息和它们对应的曝光等级信息将会根据R进行线性加权组合。
4.根据权利要求1所述的方法，其中，所述图像修复模型在每次训练时，首先进行图像曝光信息评估和曝光融合数据增强；完成数据融合后，进行最终的图像修复模型的训练；在修复模块输出结果后，计算对应的图像质量优化损失，根据损失进行梯度反传，更新图像质量整体优化模型参数。
5.根据权利要求4所述的方法，其中，所述图像质量优化损失的计算方式为： ，其中， 为像素损失， 为感知损失， 为对抗损失， 为结构化损失， 、 、 均为超参数，用于平衡损失函数的各项权重。
