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！

龙图腾网获悉吉林大学申请的专利一种基于CNN-Transformer的低光照图像多任务恢复方法及系统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：CN120495112B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202510963587.4，技术领域涉及：G06T5/60；该发明授权一种基于CNN-Transformer的低光照图像多任务恢复方法及系统是由何睿;李烜赫;吴坚设计研发完成，并于2025-07-14向国家知识产权局提交的专利申请。

本一种基于CNN-Transformer的低光照图像多任务恢复方法及系统在说明书摘要公布了：本发明适用于计算机视觉技术领域，提供了一种基于CNN‑Transformer的低光照图像多任务恢复方法及系统，构建包含编码器和解码器的网络，编码器提取局部与全局特征，结合分组迭代卷积实现低光增强与曝光抑制；解码器利用DecoderCNN‑Transformer模块及自适应可变形空洞卷积块处理非均匀运动模糊。编码器与解码器之间通过跳跃连接将浅层特征与深层特征进行融合。设计SmoothL1损失与感知损失联合优化，提升图像亮度、对比度及细节，生成高质量的结果。方法兼顾轻量化与实时性，可在同一网络中处理多退化任务，为目标检测、语义分割等任务提供高质量图像基础，有效提高图像整体质量。

本发明授权一种基于CNN-Transformer的低光照图像多任务恢复方法及系统在权利要求书中公布了：1.一种基于CNN-Transformer的低光照图像多任务恢复方法，其特征在于，所述方法包括： 步骤1：获取训练集与验证集，定义光照区间阈值，所述训练集与验证集均为低于光照区间最低值的低光照模糊图像与对应的处于光照区间的正常光照清晰图像； 步骤2：构建低光照图像增强、曝光抑制及去非均匀运动模糊网络，所述低光照图像增强、曝光抑制及去非均匀运动模糊网络包括编码器和解码器，编码器与解码器之间通过跳跃连接将浅层特征与深层特征进行融合； 步骤3：构建联合优化损失函数，所述联合优化损失函数包括SmoothL1损失和感知损失，总损失函数为SmoothL1损失和感知损失的加权和； 步骤4：将训练集输入所述网络进行训练，通过优化所述总损失函数更新网络参数； 步骤5：将验证集输入训练后的网络，输出增强后的图像； 所述步骤2中，所述编码器包含1个的卷积层、1个PReLU激活函数和3个CNN-Transformer模块，所述CNN-Transformer模块由编码器残差块EB、下采样层和迭代增强模块IEM组成，所述迭代增强模块IEM包括层归一化LN，1个混合注意力模块HAB，1个通道混洗前馈神经网络CSFFN和1个分组迭代卷积GIConv； 所述分组迭代卷积GIConv包括：将输入特征图按通道维度划分为四组，结合通道注意力和空间注意力机制生成增强特征，通过若干卷积层获取权重参数，并将裁剪后的输入特征图分组，与所述权重参数输入至迭代增强函数中进行低光增强与曝光抑制，拼接生成增强的特征图； 所述编码器残差块EB包括3个的卷积层和2个PReLU激活函数； 所述混合注意力模块HAB包括1个空间注意力模块，2个的卷积层，1个的分组卷积层，1个Softmax激活函数和1个可学习的位置编码； 所述通道混洗前馈神经网络CSFFN包括1个门控模块和1个的卷积层； 所述解码器包含2个编码器残差块EB，1个解码器残差块DB，3个DecoderCNN-Transformer模块和1个的卷积层； 所述解码器残差块DB包括4个的卷积层和2个PReLU激活函数； 所述DecoderCNN-Transformer模块包括1个自适应可变形空洞卷积块，层归一化LN，1个混合注意力模块HAB，1个通道混洗前馈神经网络CSFFN，1个上采样层和1个解码器残差块DB。

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吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699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”。