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！

龍圖騰網獲悉四川警察學院;西南科技大學申請的專利一種基于雙通道注意力的低照度圖像增強方法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：CN119784660B 。

龍圖騰網通過國家知識產權局官網在2025-09-16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：202411867942.X，技術領域涉及：G06T5/92；該發明授權一種基于雙通道注意力的低照度圖像增強方法是由劉松;張紅英;胥文;丁遠晴設計研發完成，并于2024-12-18向國家知識產權局提交的專利申請。

本一種基于雙通道注意力的低照度圖像增強方法在說明書摘要公布了：本發明提出了一種基于雙重注意力的低照度圖像增強方法。首先，為了在提取光照特征時更好地表達像素間的空間長程語義特征，方法引入了膨脹系數為[931931]的多尺度膨脹卷積，以擴大空間感受野，并能夠表達像素間語義依賴隨距離增加而減弱的特性。接著，針對亮度增強過程中出現的噪聲問題，我們設計了光照融合雙重自注意力模塊，不僅對通道自注意力進行了優化，還嵌入了基于多尺度膨脹卷積的空間自注意力，以更好地表達像素間的空間長程依賴關系。最后，我們采用了Unet++的多級跳躍連接方法，更好地融合不同尺度損壞修復層的語義信息。本發明在可接受計算復雜度的前提下，能夠有效表達像素之間的長程依賴關系，展現出優異的低照度圖像增強性能。

本發明授權一種基于雙通道注意力的低照度圖像增強方法在權利要求書中公布了：1.一種基于雙通道注意力的低照度圖像增強方法，設計多尺度膨脹卷積來提取空間長程語義信息，隨后利用自注意力機制建立像素間的空間長程語義依賴關系，從而實現圖像的光照修復，最終提升低照度圖像增強的效果，包括數據集預處理、圖像點亮、多維空間點亮特征提取、多尺度光照融合、光照融合、雙通道注意力融合光照、網絡模型訓練與測試七個部分： 數據集預處理部分包括兩個步驟： 步驟1，下載低照度增強圖像數據集LOLv1和LOLv2_real，從中分別選取485對和689對低照度圖像及其對應的正常亮度圖像作為訓練數據； 步驟2，將LOLv1中的每對圖像隨機裁剪為128×128大小，LOLv2_real中的每對圖像則隨機裁剪為256×256大小，裁剪后的圖像經過幾何增強，包括隨機翻轉、旋轉、縮放；然后，進行混合數據增強，利用Mixup技術隨機選擇圖像對混合生成訓練集樣本； 圖像點亮部分包括一個步驟： 步驟3，將訓練集樣本中的低照度圖像作為輸入圖像，并將圖像通道的均值作為光照先驗；將輸入圖像和光照先驗拼接后，經1×1卷積融合后作為膨脹系數為[931931]的3×3卷積的輸入，從而提取空間長程語義關系；此時，通道維度從3維增加至40維，得到點亮特征； 多維空間點亮特征提取部分包括一個步驟： 步驟4，將點亮特征經過1×1卷積融合，生成點亮光照，進而對輸入圖像進行增強，得到點亮圖Ilu； 多尺度光照融合部分包括一個步驟： 步驟5，照明修復器設計為Unet++網絡結構，通過3次編碼和特征融合生成多尺度編碼特征，再通過3次解碼和特征融合進行解碼，并在每層添加跳躍連接以減少編解碼過程中造成的信息損失；最終生成殘差圖像，并對點亮圖進行修復得到增強圖像，具體如下： （1）在編碼部分中，點亮圖Ilu經過一次步長為2的3×3卷積，得到特征F0，再經過一次光照融合編碼和一次步長為2的4×4卷積，得到特征F1，再經過兩次光照融合編碼和一次步長為2的4×4卷積，得到特征F2，隨后，F2再經過兩次光照融合編碼； （2）解碼部分設計了與編碼對稱的上采樣分支，在F1和F2經過兩次光照融合編碼后，利用步長為2的2×2反卷積進行上采樣，同時在每一層添加跳躍連接，以減少編解碼過程中造成的信息損失； （3）最后，解碼部分輸出殘差圖像Ire，將點亮圖Ilu與殘差圖像Ire相加，得到低照度增強圖像Ien； 光照融合部分包括一個步驟： 步驟6，將輸入特征和點亮特征輸入光照融合注意力模塊，得到輸出特征，包括：將點亮特征輸入光照融合雙重自注意力模塊，將輸入特征經過歸一化層后輸入光照融合雙重自注意力模塊，提取空間和通道維度信息，并經過進一步的歸一化層和前饋網絡模塊融合，最終輸出融合特征； 雙通道注意力融合光照部分包括兩個步驟： 步驟7，將輸入特征經過歸一化層后的輸出編碼為Q、K、V矩陣，同時輸入點亮特征，與Q、K、V矩陣經過通道自注意力操作，得到通道自注意力權重矩陣；具體如下： （1）將輸入特征經過歸一化層后的輸出形狀重塑為HW×C，隨后分別編碼為Q、K、V矩陣； （2）將鍵矩陣K的轉置與查詢矩陣Q進行叉乘，得到形狀為C×C的通道自注意力分數矩陣； （3）將點亮特征的形狀重塑為HW×C，并與值矩陣V進行點乘，得到特征權重值矩陣； （4）將特征權重值矩陣與通道自注意力分數矩陣進行叉乘，得到通道自注意力權重矩陣； 步驟8，將輸入特征經過歸一化層后的輸出輸入多尺度膨脹卷積編碼為矩陣K’，同時輸入點亮特征與K’、Q、V矩陣進行空間自注意力操作，得到空間自注意力權重矩陣，并與通道自注意力權重矩陣拼接后，得到光照融合雙重自注意力權重矩陣，具體如下： （1）將輸入特征經過歸一化層后的輸出經過膨脹系數為[931931]的3×3卷積，提取空間長程語義特征，得到空間鍵矩陣K’； （2）將空間鍵矩陣K’與查詢矩陣Q進行點乘，得到空間自注意力分數矩陣，以表達空間上像素間的相互依賴關系； （3）將空間自注意力分數矩陣與特征權重值矩陣相乘，得到空間自注意力權重矩陣； （4）將空間自注意力權重矩陣與通道自注意力權重矩陣拼接后，得到光照融合雙重自注意力權重矩陣； 網絡模型訓練與測試部分包括兩個步驟： 步驟9，將訓練集樣本輸入步驟3到步驟8的網絡中，設置網絡超參數：學習率為2e-4，訓練輪次為250，批次大小為8，優化器為Adam，動量項為0.9，控制參數為0.999，損失函數為MAE，通過訓練網絡，得到最終的雙通道注意力低照度圖像增強預訓練模型； 步驟10，將LOLv1和LOLv2_real公共測試集中的低照度圖像輸入預訓練模型中，對光照進行恢復并對圖像亮度進行增強。

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四川警察學院;西南科技大學，其通訊地址為：646000 四川省瀘州市江陽區龍透關路186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”。