买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学技术大学申请的专利一种基于解耦和聚合卷积的图像曝光矫正无损提升方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116612042B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310649618.X，技术领域涉及：G06T5/90；该发明授权一种基于解耦和聚合卷积的图像曝光矫正无损提升方法是由查正军;王洋;曹洋;彭龙设计研发完成，并于2023-06-02向国家知识产权局提交的专利申请。

本一种基于解耦和聚合卷积的图像曝光矫正无损提升方法在说明书摘要公布了：本发明公开了一种基于解耦和聚合卷积的图像曝光矫正无损提升方法，是综合考虑图像对比度和细节特征所涉及的一种新型卷积单元。其步骤包括：1对比度感知解耦单元分支提升网络的对比度统计特性感知能力，2细节感知解耦单元分支提升网络的细节特性感知能力,3混合单元分支将细节和对比度感知特性进行加权混合。本发明能提升基于卷积神经网络的细节和对比度感知能力，从而能无损提升图像曝光矫正效果。

本发明授权一种基于解耦和聚合卷积的图像曝光矫正无损提升方法在权利要求书中公布了：1.一种基于解耦和聚合卷积的图像曝光矫正无损提升方法，其特征在于，是按如下步骤进行： 步骤1：获取训练图像数据集并构建网络； 步骤1.1：合成和收集真实场景下的曝光不良配对数据集，其中，为第j个场景下的数据对，且，表示第j个场景下的曝光不良图，表示第j个场景下的正确曝光图像，其中，C表示图像的通道数，H表示图像的高度，W表示图像的宽度，n代表数据集中数据对的数量； 步骤1.2：使用解耦和聚合卷积搭建图像曝光不良矫正神经网络，其中，表示特征提取层，表示特征融合层，表示图像映射层；其中，所述特征融合层包含有m个解耦和聚合卷积，代表第i层的解耦和聚合卷积；且，代表第i层的细节感知解耦单元分支，代表第i层的对比度感知解耦单元分支，代表第i层的混合单元分支，m代表特征融合层中解耦和聚合卷积的个数； 步骤2:获取图像对比度特征和图像细节特征； 步骤2.1：所述特征提取层对第j个场景下的曝光不良图进行处理，得到第j个场景下的图像特征； 步骤2.2：所述图像特征输入所述特征融合层中进行处理，得到第j个场景下第m层的图像对混合特征； 步骤2.3：所述第m层的图像对混合特征输入所述图像映射层中，并生成第j个场景下的曝光矫正图像；表示图像曝光不良矫正神经网络的所有卷积参数； 步骤3：训练图像曝光不良矫正神经网络的模型权重参数； 步骤3.1：利用式6构建曝光不良矫正损失函数： 6 步骤3.2基于曝光不良配对数据集，利用Adam优化迭代器对曝光不良配对数据集进行训练，并计算所述曝光不良矫正损失函数以优化更新模型权重参数,直到曝光不良矫正损失函数收敛为止，从而得到训练后的图像曝光不良矫正神经网络'及其最优卷积参数； 步骤4:对训练后的图像曝光不良矫正神经网络'中的最优卷积参数中特征融合层卷积参数的进行融合； 步骤4.1：令特征融合层的最优卷积参数=,代表第i层的解耦和聚合卷积的最优参数，且,表示第i层的细节感知解耦单元分支中第p个位置处的最优卷积核参数；表示第i层的对比度感知解耦单元分支中第p个位置处的卷积核参数； 步骤4.2：利用式7对进行转换，得到第i层的等价卷积参数： 7 式7中，表示卷积感受野为1的第i层的对比度感知解耦单元分支的残留项等价卷积参数，并有： 8 式8中，R表示所有曝光不良图的位置集合； 步骤4.3：利用式9对进行转换得到第i层的对比度感知解耦单元分支中第p个位置处转换后的卷积核参数： 9 式9中，表示卷积感受野为1的第i层的细节感知解耦单元分支的残留项等价卷积参数，并有： 10 步骤4.4：根据卷积的线性叠加原则，利用式11得到最终的等价混合卷积参数，从而得到等价混合卷积参数集合=： 11 步骤4.5：用代替训练后的图像曝光不良矫正神经网络'中的最优卷积参数中特征融合层的最优卷积参数，从而得到最优图像曝光不良矫正神经网络'，用于实现对任意真实场景下曝光不良图像进行矫正。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。