عکس‌برداری به کمک پرنده‌های بدون سرنشین به‌منظور پایش و بررسی وضع موجود یکی از پرکاربردترین موارد استفاده در نقشه‌برداری می‌باشد اما علی‌رغم فواید بسیار بالای این کار مشکلاتی نیز به همراه دارد. تنظیم نادرست دوربین در زمان عکس‌برداری، شرایط نامساعد جوی و تغییر شرایط نوری، مهم‌ترین عواملی هستند که باعث کاهش کیفیت تصاویر می‌شوند. به‌طورکلی روش‌های ارائه‌شده برای بهبود روشنایی را می‌توان به دودسته سنتی مانند استفاده از هیستوگرام و روش‌های مدرن شامل شبکه‌های عصبی و یادگیری عمیق که امروزه توجه بیش‌تر محققین را به خود جلب کرده است طبقه‌بندی کرد. هدف این تحقیق، بررسی عملکرد روش‌های یادگیری عمیق در بهبود روشنایی تصاویر هوایی است که به دلیل کاهش جزییات موجود ازنظر بصری و به طبع آن از دست رفتن اطلاعات طیفی، نامناسب می‌باشند. این تصاویر برای تولید محصولات مکانی گوناگون مانند تصویر اورتو و مدل دیجیتالی سطح زمین استفاده می‌شوند و بهبود روشنایی آن‌ها و بازیابی اطلاعات طیفی تأثیر مستقیمی بر روی محصولات مکانی خواهد داشت. به همین دلیل، در این مقاله 3 روش مختلف یادگیری عمیق برای بهبود روشنایی تصاویر زمینی که در تحقیقات گذشته بهترین نتایج را به همراه داشته‌اند، بررسی می‌شوند و بهترین روش بر اساس 10 معیار سنجش روشنایی انتخاب می‌گردد. داده‌های مورد ارزیابی، تصاویر هوایی اخذشده از دو منطقه مختلف است که به دلیل روشنایی نامناسب دارای مناطقی با کاهش زیاد جزییات ازنظر بصری و از دست رفتن اطلاعات طیفی می‌باشند. آشکارسازی عوارض پنهان‌شده در مناطق سایه و مناطقی با میزان نور بیش‌ازاندازه به کمک بازیابی اطلاعات طیفی از طریق افزایش اختلاف بین مقادیر دیجیتالی پیکسل‌ها در این مناطق صورت می‌گیرد. نتیجه به‌دست‌آمده از بهترین روش‌ انتخاب‌شده برای دو مجموعه داده، بر اساس شاخص شباهت ساختاری که یکی از مهم‌ترین شاخص‌های ارزیابی در بین 10 شاخص استفاده‌شده است به ترتیب برای منطقه موردمطالعه اول و دوم برابر 0/92 و 0/96 است.