買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉吉林大學申請的專利一種基于CNN-Transformer的低光照圖像多任務恢復方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120495112B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510963587.4，技術領域涉及：G06T5/60；該發明授權一種基于CNN-Transformer的低光照圖像多任務恢復方法及系統是由何睿;李烜赫;吳堅設計研發完成，并于2025-07-14向國家知識產權局提交的專利申請。

本一種基于CNN-Transformer的低光照圖像多任務恢復方法及系統在說明書摘要公布了：本發明適用于計算機視覺技術領域，提供了一種基于CNN?Transformer的低光照圖像多任務恢復方法及系統，構建包含編碼器和解碼器的網絡，編碼器提取局部與全局特征，結合分組迭代卷積實現低光增強與曝光抑制；解碼器利用DecoderCNN?Transformer模塊及自適應可變形空洞卷積塊處理非均勻運動模糊。編碼器與解碼器之間通過跳躍連接將淺層特征與深層特征進行融合。設計SmoothL1損失與感知損失聯合優化，提升圖像亮度、對比度及細節，生成高質量的結果。方法兼顧輕量化與實時性，可在同一網絡中處理多退化任務，為目標檢測、語義分割等任務提供高質量圖像基礎，有效提高圖像整體質量。

本發明授權一種基于CNN-Transformer的低光照圖像多任務恢復方法及系統在權利要求書中公布了：1.一種基于CNN-Transformer的低光照圖像多任務恢復方法，其特征在于，所述方法包括： 步驟1：獲取訓練集與驗證集，定義光照區間閾值，所述訓練集與驗證集均為低于光照區間最低值的低光照模糊圖像與對應的處于光照區間的正常光照清晰圖像； 步驟2：構建低光照圖像增強、曝光抑制及去非均勻運動模糊網絡，所述低光照圖像增強、曝光抑制及去非均勻運動模糊網絡包括編碼器和解碼器，編碼器與解碼器之間通過跳躍連接將淺層特征與深層特征進行融合； 步驟3：構建聯合優化損失函數，所述聯合優化損失函數包括SmoothL1損失和感知損失，總損失函數為SmoothL1損失和感知損失的加權和； 步驟4：將訓練集輸入所述網絡進行訓練，通過優化所述總損失函數更新網絡參數； 步驟5：將驗證集輸入訓練后的網絡，輸出增強后的圖像； 所述步驟2中，所述編碼器包含1個的卷積層、1個PReLU激活函數和3個CNN-Transformer模塊，所述CNN-Transformer模塊由編碼器殘差塊EB、下采樣層和迭代增強模塊IEM組成，所述迭代增強模塊IEM包括層歸一化LN，1個混合注意力模塊HAB，1個通道混洗前饋神經網絡CSFFN和1個分組迭代卷積GIConv； 所述分組迭代卷積GIConv包括：將輸入特征圖按通道維度劃分為四組，結合通道注意力和空間注意力機制生成增強特征，通過若干卷積層獲取權重參數，并將裁剪后的輸入特征圖分組，與所述權重參數輸入至迭代增強函數中進行低光增強與曝光抑制，拼接生成增強的特征圖； 所述編碼器殘差塊EB包括3個的卷積層和2個PReLU激活函數； 所述混合注意力模塊HAB包括1個空間注意力模塊，2個的卷積層，1個的分組卷積層，1個Softmax激活函數和1個可學習的位置編碼； 所述通道混洗前饋神經網絡CSFFN包括1個門控模塊和1個的卷積層； 所述解碼器包含2個編碼器殘差塊EB，1個解碼器殘差塊DB，3個DecoderCNN-Transformer模塊和1個的卷積層； 所述解碼器殘差塊DB包括4個的卷積層和2個PReLU激活函數； 所述DecoderCNN-Transformer模塊包括1個自適應可變形空洞卷積塊，層歸一化LN，1個混合注意力模塊HAB，1個通道混洗前饋神經網絡CSFFN，1個上采樣層和1個解碼器殘差塊DB。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人吉林大學，其通訊地址為：130012 吉林省長春市前進大街2699號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。