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！

龙图腾网获悉四川警察学院;西南科技大学申请的专利一种基于双通道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：CN119784660B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202411867942.X，技术领域涉及：G06T5/92；该发明授权一种基于双通道注意力的低照度图像增强方法是由刘松;张红英;胥文;丁远晴设计研发完成，并于2024-12-18向国家知识产权局提交的专利申请。

本一种基于双通道注意力的低照度图像增强方法在说明书摘要公布了：本发明提出了一种基于双重注意力的低照度图像增强方法。首先，为了在提取光照特征时更好地表达像素间的空间长程语义特征，方法引入了膨胀系数为[931931]的多尺度膨胀卷积，以扩大空间感受野，并能够表达像素间语义依赖随距离增加而减弱的特性。接着，针对亮度增强过程中出现的噪声问题，我们设计了光照融合双重自注意力模块，不仅对通道自注意力进行了优化，还嵌入了基于多尺度膨胀卷积的空间自注意力，以更好地表达像素间的空间长程依赖关系。最后，我们采用了Unet++的多级跳跃连接方法，更好地融合不同尺度损坏修复层的语义信息。本发明在可接受计算复杂度的前提下，能够有效表达像素之间的长程依赖关系，展现出优异的低照度图像增强性能。

本发明授权一种基于双通道注意力的低照度图像增强方法在权利要求书中公布了：1.一种基于双通道注意力的低照度图像增强方法，设计多尺度膨胀卷积来提取空间长程语义信息，随后利用自注意力机制建立像素间的空间长程语义依赖关系，从而实现图像的光照修复，最终提升低照度图像增强的效果，包括数据集预处理、图像点亮、多维空间点亮特征提取、多尺度光照融合、光照融合、双通道注意力融合光照、网络模型训练与测试七个部分： 数据集预处理部分包括两个步骤： 步骤1，下载低照度增强图像数据集LOLv1和LOLv2_real，从中分别选取485对和689对低照度图像及其对应的正常亮度图像作为训练数据； 步骤2，将LOLv1中的每对图像随机裁剪为128×128大小，LOLv2_real中的每对图像则随机裁剪为256×256大小，裁剪后的图像经过几何增强，包括随机翻转、旋转、缩放；然后，进行混合数据增强，利用Mixup技术随机选择图像对混合生成训练集样本； 图像点亮部分包括一个步骤： 步骤3，将训练集样本中的低照度图像作为输入图像，并将图像通道的均值作为光照先验；将输入图像和光照先验拼接后，经1×1卷积融合后作为膨胀系数为[931931]的3×3卷积的输入，从而提取空间长程语义关系；此时，通道维度从3维增加至40维，得到点亮特征； 多维空间点亮特征提取部分包括一个步骤： 步骤4，将点亮特征经过1×1卷积融合，生成点亮光照，进而对输入图像进行增强，得到点亮图Ilu； 多尺度光照融合部分包括一个步骤： 步骤5，照明修复器设计为Unet++网络结构，通过3次编码和特征融合生成多尺度编码特征，再通过3次解码和特征融合进行解码，并在每层添加跳跃连接以减少编解码过程中造成的信息损失；最终生成残差图像，并对点亮图进行修复得到增强图像，具体如下： （1）在编码部分中，点亮图Ilu经过一次步长为2的3×3卷积，得到特征F0，再经过一次光照融合编码和一次步长为2的4×4卷积，得到特征F1，再经过两次光照融合编码和一次步长为2的4×4卷积，得到特征F2，随后，F2再经过两次光照融合编码； （2）解码部分设计了与编码对称的上采样分支，在F1和F2经过两次光照融合编码后，利用步长为2的2×2反卷积进行上采样，同时在每一层添加跳跃连接，以减少编解码过程中造成的信息损失； （3）最后，解码部分输出残差图像Ire，将点亮图Ilu与残差图像Ire相加，得到低照度增强图像Ien； 光照融合部分包括一个步骤： 步骤6，将输入特征和点亮特征输入光照融合注意力模块，得到输出特征，包括：将点亮特征输入光照融合双重自注意力模块，将输入特征经过归一化层后输入光照融合双重自注意力模块，提取空间和通道维度信息，并经过进一步的归一化层和前馈网络模块融合，最终输出融合特征； 双通道注意力融合光照部分包括两个步骤： 步骤7，将输入特征经过归一化层后的输出编码为Q、K、V矩阵，同时输入点亮特征，与Q、K、V矩阵经过通道自注意力操作，得到通道自注意力权重矩阵；具体如下： （1）将输入特征经过归一化层后的输出形状重塑为HW×C，随后分别编码为Q、K、V矩阵； （2）将键矩阵K的转置与查询矩阵Q进行叉乘，得到形状为C×C的通道自注意力分数矩阵； （3）将点亮特征的形状重塑为HW×C，并与值矩阵V进行点乘，得到特征权重值矩阵； （4）将特征权重值矩阵与通道自注意力分数矩阵进行叉乘，得到通道自注意力权重矩阵； 步骤8，将输入特征经过归一化层后的输出输入多尺度膨胀卷积编码为矩阵K’，同时输入点亮特征与K’、Q、V矩阵进行空间自注意力操作，得到空间自注意力权重矩阵，并与通道自注意力权重矩阵拼接后，得到光照融合双重自注意力权重矩阵，具体如下： （1）将输入特征经过归一化层后的输出经过膨胀系数为[931931]的3×3卷积，提取空间长程语义特征，得到空间键矩阵K’； （2）将空间键矩阵K’与查询矩阵Q进行点乘，得到空间自注意力分数矩阵，以表达空间上像素间的相互依赖关系； （3）将空间自注意力分数矩阵与特征权重值矩阵相乘，得到空间自注意力权重矩阵； （4）将空间自注意力权重矩阵与通道自注意力权重矩阵拼接后，得到光照融合双重自注意力权重矩阵； 网络模型训练与测试部分包括两个步骤： 步骤9，将训练集样本输入步骤3到步骤8的网络中，设置网络超参数：学习率为2e-4，训练轮次为250，批次大小为8，优化器为Adam，动量项为0.9，控制参数为0.999，损失函数为MAE，通过训练网络，得到最终的双通道注意力低照度图像增强预训练模型； 步骤10，将LOLv1和LOLv2_real公共测试集中的低照度图像输入预训练模型中，对光照进行恢复并对图像亮度进行增强。

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警察学院;西南科技大学，其通讯地址为：646000 四川省泸州市江阳区龙透关路186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”。