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！

龙图腾网恭喜福州大学申请的专利一种基于递归交互式注意力的低照度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：CN116309182B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202310356275.8，技术领域涉及：G06T5/90；该发明授权一种基于递归交互式注意力的低照度图像增强方法是由牛玉贞;许瑞;李悦洲;林晓锋设计研发完成，并于2023-04-06向国家知识产权局提交的专利申请。

本一种基于递归交互式注意力的低照度图像增强方法在说明书摘要公布了：本发明涉及一种基于递归交互式注意力的低照度图像增强方法。包括：对输入图像进行预处理，包括图像配对、裁剪、数据增强处理，得到训练数据集；设计递归交互式注意力增强网络，该网络由输入映射模块、递归交互式注意力增强网络和输出映射模块组成；设计用于训练步骤B所设计网络的损失函数；使用步骤A得到的训练数据集训练递归交互式注意力增强网络；将待测图像输入到该网络中，使用训练好的网络生成正常照度图像。本发明利用递归交互式注意力机制，能够在局部和全局范围内对图像进行注意力调整和增强，从而提高了图像的质量和清晰度，有效解决了低照度图像亮度不均衡、细节丢失、颜色失真等问题。

本发明授权一种基于递归交互式注意力的低照度图像增强方法在权利要求书中公布了：1.一种基于递归交互式注意力的低照度图像增强方法，其特征在于，包括如下步骤：步骤A、对输入图像进行预处理，包括图像配对、裁剪、数据增强处理，得到训练数据集；步骤B、设计递归交互式注意力增强网络，该递归交互式注意力增强网络由输入映射模块、递归交互式注意力增强网络和输出映射模块组成；步骤C、设计用于训练步骤B所设计网络的损失函数；步骤D、使用训练数据集训练递归交互式注意力增强网络；步骤E、将待测图像输入到该网络中，使用训练好的网络生成正常照度图像；所述步骤B具体实现步骤如下：步骤B1、设计输入映射模块，包括一个卷积层、激活函数和块编码层，用于对输入的低照度图像进行特征提取，将其分块并转换成序列级别的特征；步骤B2、设计递归交互式注意力增强网络，由L个参数不共享的递归交互块组成，实现对特征的深层次增强；步骤B3、设计输出映射模块，包括块解码层和一个卷积层，将递归交互式注意力增强网络的输出特征重新组织成完整的图像特征，并将该特征投影至通道为3的图像空间；所述步骤B1具体实现步骤如下：步骤B11、由一个大小为3×3的卷积核构成卷积层，采用LeakyReLU作为激活函数，对输入图像进行特征提取，其中H和W分别为低照度图像的高和宽；步骤B12、由一个卷积核大小为D×D、步长为D的卷积层构成块编码层的核心操作，该操作将步骤B11中得到的特征按照D×D大小划分为N个块，即每个块的通道维度为C；接着将这些块的特征展平，由此得到的序列级别的特征作为第一个递归交互块的输入；具体公式表示如下：X0＝PatchEmbedLeakyReLUConv3Iin其中，Conv3表示3×3卷积层，LeakyReLU·表示激活函数，PatchEmbed·表示块编码层操作；所述步骤B2具体实现步骤如下：步骤B21、设计递归交互块，每个递归交互块包含T个参数共享的递归交互单元；步骤B22、将步骤B12得到的特征X0作为第一个递归交互块的输入，经过l个递归交互块、T′次递归后，得到输出特征其中l∈{1,2,...,L}；那么，最后一个递归交互块经过T′次递归的输出则表示为具体公式表示如下： 其中，RIBl表示第l个递归交互块，表示网络的堆叠处理；所述步骤B21具体实现步骤如下：步骤B211、设计递归交互单元，由局部块感知的双重注意力模块、全局上下文感知的可偏移注意力模块、两个模块之间的交互操作，以及序列级别的特征重塑和块级别的特征重塑两种操作组成；步骤B212、将作为第l个递归交互块的输入特征，经过t个参数共享的递归交互单元后得到当前递归交互块的输出特征具体公式表示如下： 其中，RIUt表示第t个递归交互单元，t∈{1,2,...,T}，表示网络的重复处理，即参数复用；所述步骤B211具体实现步骤如下：步骤B2111、设计局部块感知的双重注意力模块，核心包括一个卷积单元、一个通道注意力单元和一个空间注意力单元；对于输入的特征先将其重塑为块级别的特征再经过一个卷积单元进行特征嵌入，该卷积单元依次由一个3×3卷积层、ReLu激活函数和一个3×3卷积层堆叠而成，映射得到的特征表示为具体公式表示如下： 其中，Reshape1·为重塑操作，将N×C的序列级别特征转换成的块级别特征，ConvUnit·表示卷积单元；步骤B2112、将步骤B2211的特征送入通道注意力单元和空间注意力单元，分别得到通道注意力和空间注意力加权的特征，再将这两个特征进行拼接，用一个大小为1×1的卷积核构成的卷积层将特征映射到低维空间，最后再和作残差连接操作，得到局部块感知的双重注意力模块的输出特征具体公式表示如下： 其中，CA表示通道注意力单元，SA表示空间注意力单元，[·；·]表示特征拼接操作，Conv1表示1×1卷积层；步骤B2113、设计局部块感知的双重注意力模块至全局上下文感知的可偏移注意力模块的交互操作，对于局部块感知的双重注意力模块输出的特征将其重塑回序列级别特征，然后与特征融合作为全局上下文感知的可偏移注意力模块的输入具体公式表示为： 其中，Reshape1·为重塑操作，将的转换成块级别特征N×C的序列级别特征；步骤B2114、设计全局上下文感知的可偏移注意力模块，核心包括层归一化操作、可偏移多头自注意力和多层感知机；对于输入的特征依次送入归一化层和可偏移多头自注意力，得到的特征再与残差连接，输出中间特征然后，将依次送入归一化层和多头感知机，得到的特征再与残差连接，输出全局上下文感知的可偏移注意力模块的最终特征具体公式表示如下： 其中，LN·表示层归一化操作，MHSA表示可偏移多头自注意力，MLP表示多头感知机；步骤B2115、设计全局上下文感知的可偏移注意力模块至局部块感知的双重注意力模块的交互操作，对于全局上下文感知的可偏移注意力模块输出的特征将其重塑回块级别特征，然后与特征融合以更新局部块感知的双重注意力模块的输出具体公式表示为： 其中，Reshape1·表示将序列级别的特征重塑为块级别的特征；所述步骤B2112具体实现方式为：步骤B21121：设计通道注意力单元，首先将输入特征送入一个全局平均池化层对特征进行压缩，得到通道描述符；接着，采用两个1×1卷积层，中间是一个ReLu激活函数，分别进行降维和升维；最后，通过Sigmoid激活函数将通道权重限制在0和1之间，得到通道注意力权最终，通过乘法操作将与通道权重αc相乘，得到通道注意力加权的特征具体公式表示为： 其中，Avgpool·表示全局平均池化操作，Conv1表示1×1卷积层，ReLu·为激活函数，σ·为Sigmoid函数，表示逐元素乘法；步骤B21122：设计空间注意力单元，首先将输入特征沿着通道维度进行全局最大池化和全局平均池化操作，得到最大池化特征图和平均池化特征图，然后将它们沿着通道维度进行拼接；接着，使用一个3×3卷积层将特征图映射回通道为1维的特征，再通过Sigmoid激活函数将权重限制在0和1之间，得到空间注意力权重最终，通过乘法操作将与空间注意力权重αs相乘，得到空间注意力加权的特征具体公式表示为： 其中，AvgPool·表示全局平均池化操作，MaxPool·表示全局最大池化操作，[·；·]表示拼接操作，Conv3表示3×3卷积层，σ·为Sigmoid函数，表示逐元素乘法；所述步骤B3具体实现步骤如下：步骤B31、由双线性上采样层、1个3×3卷积层构成块解码层的核心操作，该操作将步骤B22得到的最后一个递归交互块输出的N×C大小的特征重塑至大小的块级别特征，再由双线性上采样层上采样至H×W×C的特征，最后再由1个3×3卷积层映射，得到降低维度后的特征；步骤B32、对于步骤B31输出的特征，再由一个3×3卷积层映射回图像空间，再与输入特征Iin残差连接得到增强后的图像Ien；具体公式表示如下： 其中，PatchUnEmbed·为块解码操作，Conv3表示3×3卷积层；所述步骤C具体实现方式为：步骤C、设计损失函数，由SmoothL1损失和VGG感知损失lperceptual组成，网络的总目标损失函数ltotal表示如下： lperceptual＝||VGG3,8,15Ien-VGG3,8,15Igt||2其中，λ是一个平衡参数，E＝Ien-Igt，Igt为正常照度的图像；||·||2表示计算均方误差，VGG3,8,15·表示使用在ImageNet数据集上预训练的VGG-16分类模型提取第3层、第8层和第15层的特征。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。