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！

龙图腾网获悉同济大学申请的专利一种基于可逆神经网络的低光图像增强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：CN119540088B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411585152.2，技术领域涉及：G06T5/70；该发明授权一种基于可逆神经网络的低光图像增强方法是由倪张凯;张阳;王瀚漓设计研发完成，并于2024-11-07向国家知识产权局提交的专利申请。

本一种基于可逆神经网络的低光图像增强方法在说明书摘要公布了：本发明涉及低光图像技术领域，具体涉及基于可逆神经网络的低光图像增强方法。包括：步骤一搭建可逆神经网络；步骤二可逆神经网络的工作过程和训练；步骤三应用：将在低光照条件下拍摄的图像，输入上述训练后的可逆神经网络进行增强处理。与现有技术相比，本发明提高模型的增强效果和可解释性，增加分解的准确性和模型的泛化能力，本发明引入记忆机制，学习整个数据集的亮度信息，指导图像在亮度方面的恢复过程，提高模型的增强效果。

本发明授权一种基于可逆神经网络的低光图像增强方法在权利要求书中公布了：1.一种基于可逆神经网络的低光图像增强设计方法，其特征在于，包括： 步骤1搭建可逆神经网络； 步骤2可逆神经网络的工作过程和训练； 步骤3应用：将在低光照条件下拍摄的图像，输入上述训练后的可逆神经网络进行增强处理； 所述步骤1搭建可逆神经网络： 可逆神经网络由特征编码模块φ·和以及堆叠的n个可逆模块θ·，以及特征解码模块ψ·构成，特征编码模块φ·和并行连接后，再与堆叠的可逆模块θ·和特征解码模块ψ·顺序连接，其中： 所述特征编码模块φ·和均由两个卷积层ConvolutionalLayer构成；所述可逆模块θ·均由四个特征增强模块G1·、H1·、G2·、H2·构成，它们具有相同网络结构；所述特征解码模块ψ·同样由两个卷积层构成； 所述的特征增强模块G1·、H1·、G2·、H2·均由一个带残差的双分支注意力模块DBAM和一个带残差的前馈神经网络FFN组成； 双分支注意力模块DBAM由最大池化层MaxPooling、Transformer分支、CNN分支、通道拼接层Concatenate、3x3卷积层和插值层Interpolate构成，其中Transformer分支和CNN分支并行连接，并与其他层顺序连接； 其中： CNN分支由具有残差的双重注意力单元DAU构成，双重注意力单元DAU包含两个分支，第一个分支由具有缩放指数线性单元SELU激活函数的两层1x1卷积层组成，第二个分支在全局平均池化层GAP后添加具有SELU激活函数的两层1x1卷积层，两个分支的结果相加后通过Sigmoid函数进行归一化，归一化结果作为权重对双重注意力单元DAU的输入进行加权； Transformer分支由交叉注意力模块和双重注意力单元DAU顺序组成，其中交叉注意力模块由1x1卷积层以及Softmax函数构成，并额外引入了全局变量M和插值层Interpolate； 所述步骤2可逆神经网络的工作过程和训练， 包括正向过程的设计步骤； 以及包括逆向过程的设计步骤； 以及包括损失函数的设计步骤； 所述正向过程的设计步骤，包括 步骤1.1计算交叉颜色比图 低光图像Ilow作为可逆神经网络正向过程的输入，首先通过交叉颜色比计算公式fccr·计算交叉颜色比图 步骤1.2特征提取 将低光图像Ilow和交叉颜色比图像分别输入到所述的特征编码器φ·和中，提取各自的特征和 步骤1.3特征转换 特征和输入到所述的n个堆叠的可逆模块θ·中进行特征转换，得到转换后的特征和对应增强图像特征以及增强图像交叉颜色比图的特征；对于第i个可逆模块θi·，输入特征和基于所述的特征增强模块G1·、H1·、G2·、H2·进行特征转换操作；基于Retienx理论，输入特征和解释为： 其中表示反射分量，表示光照分量，和表示噪声分量；进一步地，将特征增强模块G2·的输出视为噪声分量特征增强模块H2·的输出视为光照分量则所述的可逆模块θi·通过对特征去除噪声分量和添加光照分量来将其转换为特征 同样，通过将特征增强模块G1·的输出视为噪声分量特征增强模块H1·的输出视为光照分量所述的可逆模块θi·进一步通过去除噪声分量和去除光照分量将特征转换为特征 所述的特征增强模块G1·、H1·、G2·、H2·用于对输入特征进行增强，以G1·为例，输入特征x处理过程如下所示： G1x＝fFFNfDBAMx+x+fDBAMx+x 其中fDBAM·表示所述的双分支注意力模块DBAM，fFFN·表示所述的前馈神经网络FNN； 所述的双分支注意力模块DBAM将输入特征x转换为特征x′；输入特征x首先经过最大池化层fMP·进行下采样，降低模型的计算复杂度；随后沿通道维度拆分为特征xcnn和特征xtrans，用作CNN分支和Transformer分支的输入： {xcnn,xtrans}＝fMPx CNN分支主要由具有残差的双重注意力单元DAU构成，用于对特征xcnn进行增强： x′cnn＝fDAUxcnn,xcnn+xcnn 所述双重注意力单元DAU接受两个特征作为输入；其中第一个特征xcnn经过双分支结构进行增强，然后对第二个特征xcnn进行加权： Transformer分支由交叉注意力模块和双重注意力单元DAU顺序构成； 对于交叉注意力模块，首先从xtrans中计算键Key和值Value，并将CNN分支的结果x′cnn用作查询，进而计算交叉注意力；在交叉注意力模块引入记忆机制，使用全局变量M∈R1×C×3×3来学习数据集的亮度信息并使用插值修改M的尺寸，随后对xQ进行调制，以获得更好的重建效果： {xK,xV}＝fconvxtrans,xQ＝x′cnn×finterpM 增强后的特征x′trans进一步输入到双重注意力单元DAU中进行处理；双重注意力单元DAU与CNN分支中的双重注意力单元DAU具有相同的网络结构，但输入特征不同，以实现对x′cnn的加权： 其中： 将CNN分支的结果x″cnn和Transformer分支的结果x′trans沿通道维度进行拼接，然后输入到3x3卷积进行处理，并通过插值恢复到输入大小： 步骤1.4图像重建 增强图像的特征和增强图像的交叉颜色比图的特征输入到特征解码模块ψ·，得到增强图像I′norm： 所述逆向过程的设计步骤，包括： 步骤2.1计算交叉颜色比图 正常图像Inorm作为可逆神经网络逆向过程的输入，首先通过交叉颜色比计算公式fccr·计算交叉颜色比图 步骤2.2特征提取 将正常图像Inorm和交叉颜色比图像分别输入到所述的特征编码器φ·和中，提取各自的特征和 步骤2.3特征逆转换 特征和输入到所述的n个堆叠的可逆模块θ·中进行特征逆转换，得到逆转换后的特征和对应退化图像特征以及退化图像交叉颜色比图的特征；对于第i个可逆模块θi·，输入特征和基于所述的特征增强模块G1·、H1·、G2·、H2·进行特征逆转换操作；基于Retienx理论，输入特征和解释为： 其中表示反射分量，表示光照分量，和表示噪声分量；与正向过程相同，将特征增强模块G1·的输出视为噪声分量特征增强模块H1·的输出视为光照分量则所述的可逆模块θi·通过对特征和添加光照分量和添加噪声分量来将其转换为特征 同样，通过将特征增强模块G2·的输出视为噪声分量特征增强模块H2·的输出视为光照分量所述的可逆模块θi·进一步通过去除光照分量和添加噪声分量将特征转换为特征 步骤2.4图像重建 退化图像的特征和退化图像的交叉颜色比图的特征输入到特征解码模块ψ·，得到退化图像I′low： 所述损失函数的设计步骤： 在训练阶段，使用L1距离作为损失函数，对于正向过程forward和逆向过程backward，有： 进一步使用感知损失进行约束以提高图像的感知质量： 其中VGGi·表示在ImageNet上预训练的VGG-19的第i层，i∈{1,3,5,9,13}；另外，ωi是第i层对应的权重； 在正向过程对低光图像进行去噪，引入边缘感知平滑损失来提高去噪效果： 其中和表示水平和垂直方向的梯度； 综上，总损失就是上述损失的加权和： 其中λi代表权重，取λ1＝λ4＝0.05，λ2＝λ3＝1。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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”。

以上内容由龙图腾AI智能生成。