Рассматривается проблема надёжного распознавания лиц в таких критически важных областях, как видеонаблюдение и биометрическая аутентификация в условиях недостаточной освещённости. Существующие подходы, как правило, разделяют задачи повышения качества изображения и собственно идентификации, что приводит к накоплению ошибок и потере информативных признаков. Целью работы является преодоление этого ограничения путём разработки и теоретического обоснования гибридной end-to-end архитектуры, в которой задачи улучшения изображения и распознавания лица решаются совместно. В исследовании проводится систематический обзор современных методов, включая классические алгоритмы (выравнивание гистограмм, подавление шумов) и передовые глубокие нейронные сети (такие как EnlightenGAN, Zero-DCE, ArcFace, RetinaFace). В качестве основного предложения представлена интеграция генеративных и идентификационных модулей в единый вычислительный граф. Ключевым результатом исследования является демонстрация того, что совместная оптимизация всех этапов обработки в рамках единой модели, в отличие от разрозненных решений, принципиально меняет подход к проблеме. Теоретический анализ и сравнительная оценка концепций показывают, что предложенная архитектура обеспечивает более эффективный поток градиентов в процессе обучения, что ведёт к формированию более качественных и устойчивых к шуму признаков для идентификации. Показано, что такой подход позволяет избежать накопления ошибки между этапами и минимизировать потери информации. Новизна работы заключается в целостном, end-to-end взгляде на проблему распознавания в условиях низкой освещённости. Практическая ценность подтверждается применимостью архитектуры в реальных системах, где её внедрение потенциально позволит повысить надёжность и скорость работы за счёт объединения разнородных задач в единый оптимизируемый контур.
