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！

龙图腾网获悉四川大学申请的专利一种基于多视角输入和结构引导的图像增强方法及装置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：CN119399087B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202411553764.3，技术领域涉及：G06T5/90；该发明授权一种基于多视角输入和结构引导的图像增强方法及装置是由林毅;徐杰;范均宇;郭东岳;刘怡光设计研发完成，并于2024-11-03向国家知识产权局提交的专利申请。

本一种基于多视角输入和结构引导的图像增强方法及装置在说明书摘要公布了：本发明公开了一种结构引导的多先验输入图像增强方法及装置，包括以下步骤：步骤1：收集低质量图像以及对应的高质量图像构成数据集；将数据集划分为训练集、验证集和测试集；步骤2：构建多视角输入增强网络，多视角输入增强网络用于对低质量图像进行初步的增强；并设计多视角增强联合损失函数Lmve，指定训练轮次，对多视角输入增强网络模型进行训练与优化，并保存最优模型的权重；步骤3：构建结构引导增强网络，结构引导增强网络基于结构提取模块提取的结构信息对图像数据进行二次增强；并设计结构引导增强联合损失函数Lsge，指定训练轮次，对结构引导增强网络模型进行训练与优化，并保存最优模型的权重。

本发明授权一种基于多视角输入和结构引导的图像增强方法及装置在权利要求书中公布了：1.一种基于多视角输入和结构引导的图像增强方法，其特征在于，包括以下步骤： S1:收集低质量图像以及对应的高质量图像构成数据集；将数据集划分为训练集、验证集和测试集； S2：构建多视角输入增强网络，多视角输入增强网络用于对低质量图像进行初步的增强；并设计多视角增强联合损失函数Lmve，指定训练轮次，对多视角输入增强网络模型进行训练与优化，并保存最优模型的权重； 所述多视角输入增强网络包括多视角输入、跨通道注意力特征融合模块、通道组轴向Transformer模块；所述多视角增强联合损失函数Lmve包含L1损失和感知损失； S3：构建结构引导增强网络，结构引导增强网络基于结构提取模块提取的结构信息对图像数据进行二次增强；并设计结构引导增强联合损失函数Lsge，指定训练轮次，对结构引导增强网络模型进行训练与优化，并保存最优模型的权重； 所述结构引导增强网络包括结构提取模块和结构引导增强模块；所述结构引导增强联合损失函数Lsge包含L1损失、感知损失和结构相似性指数损失； S4：构建结合多视角输入和结构引导的增强网络，该网络结合已训练好的多视角输入增强网络与结构引导增强网络得到最终的图像增强结果； S5：测试模型性能； S2中，所述的多视角输入增强网络为： 多视角输入增强网络由两部分组成，分别是多视角输入特征融合和一个非对称的编码器-解码器结构网络； 多视角输入特征融合部分，多视角输入包括原始输入及其对应的WB与CLAHE图像，多视角输入数据经过同一卷积层映射到一个新的特征空间，得到的三组特征图使用跨通道注意力特征融合模块进行特征融合，得到特征融合结果FU； 编码器部分共有三层网络，特征融合结果FU作为编码器三层网络的输入；其中，每层网络都由CGAT模块组成，每层的输出都将和特征融合结果FU进行元素相加，其结果分别进行两次下采样操作，从而每层网络得到三个不同尺度的特征图，再将不同层相同尺度的特征图在通道维度进行连接，得到三组不同尺度的特征图，按照尺度递增分别是FS1、FS2和FS3； 解码器部分共有三层，解码器每层均由一个压缩激活网络与CGAT模块组成，编码器的三组不同尺度的输出特征图将作为解码器三层网络的输入，即FS1、FS2和FS3分别是解码器最底层、中间层和最高层的输入，每组特征图都将先经过对应层的压缩激活网络得到三个特征图FS11、FS21和FS31，从最底层开始，FS11经过CGAT模块后进行上采样操作，其结果与FS21在通道维度进行连接，结果放入中层的CGAT模块后进行上采样，其结果再与FS31在通道维度进行连接，经过顶层的CGAT模块和卷积层后得到多视角输入增强结果OUTmve。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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”。