[發明專利]低光圖像增強模型的訓練方法和低光圖像增強方法

在審

• 申請號: 202211468704.2
• 申請日: 2022-11-22
• 公開（公告）號: CN115984121A
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 孫哲南;李琦;董瀟瀟;陳丹丹;李暄
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/08;G06N3/0464
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 賀愛琳

1.一種低光圖像增強模型的訓練方法，其特征在于，包括：

獲取多個低光圖像樣本，以及各個低光圖像樣本對應的正常光圖像；

將所述多個低光圖像樣本輸入到初始低光圖像增強模型中，得到所述各個低光圖像樣本對應的預測增強圖像；

根據所述各個低光圖像樣本對應的所述正常光圖像和所述預測增強圖像，對所述初始低光圖像增強模型的模型參數進行更新，以得到訓練后的低光圖像增強模型。

2.根據權利要求1所述的低光圖像增強模型的訓練方法，其特征在于，所述初始低光圖像增強模型包括圖像生成網絡，所述圖像生成網絡包括輸入網絡、殘差網絡、空間注意力機制網絡、上采樣網絡和特征融合網絡；

所述將所述多個低光圖像樣本輸入到初始低光圖像增強模型中，得到所述各個低光圖像樣本對應的預測增強圖像，包括：

針對每個所述低光圖像樣本執行以下處理：

將所述低光圖像樣本輸入到所述輸入網絡中，并通過所述輸入網絡將所述低光圖像樣本輸入到所述殘差網絡中，得到多個不同尺度的第一特征圖；

將所述多個不同尺度的第一特征圖輸入到所述空間注意力機制網絡中，得到多個具有語義信息的第二特征圖；

將尺度最小的第一特征圖輸入到所述上采樣網絡中，得到多個不同尺寸的第三特征圖；

將所述多個具有語義信息的第二特征圖和多個不同尺寸的第三特征圖輸入到所述特征融合網絡中，得到所述預測增強圖像。

3.根據權利要求2所述的低光圖像增強模型的訓練方法，其特征在于，還包括；

所述根據所述各個低光圖像樣本對應的所述預測增強圖像，對所述初始低光圖像增強模型的模型參數進行更新，以得到訓練后的低光圖像增強模型，包括：

將所述低光圖像樣本對應的正常光圖像以及預測增強圖像輸入到圖像判別網絡中，得到預設的圖像損失函數的損失值；

根據所述圖像損失函數的損失值，采用損失梯度反向傳播算法迭代調整所述圖像生成網絡和圖像判別網絡的權重，直到所述初始低光圖像增強模型收斂，將收斂的模型作為訓練后的低光圖像增強模型。

4.根據權利要求3所述的低光圖像增強模型的訓練方法，其特征在于，所述預設的圖像損失函數包括：全局對抗損失函數、部對抗損失函數、全局自特征保留損失函數和局部自特征保留損失函數。

5.根據權利要求2所述的低光圖像增強模型的訓練方法，其特征在于，所述特征融合網絡包括池化層和卷積層；將所述多個具有語義信息的第二特征圖和多個不同尺寸的第三特征圖輸入到所述特征融合網絡中，得到所述預測增強圖像，包括：

將所述多個具有語義信息的第二特征圖和多個不同尺寸的第三特征圖輸入到所述池化層中，得到多個與原所述低光圖像樣本大小相同的第四特征圖；

將所述多個與原所述低光圖像樣本大小相同的第四特征圖輸入到所述卷積層中，得到所述預測增強圖像。

6.一種低光圖像增強方法，其特征在于，包括：

獲取待增強的低光圖像；

將所述待增強的低光圖像輸入到低光圖像增強模型中，得到所述待增強的低光圖像對應的增強圖像；所述增強圖像為上述權利要求1-5任一項所述的增強圖像模型。

7.一種低光圖像增強模型的訓練裝置，其特征在于，包括：

第一獲取單元，用于獲取多個低光圖像樣本，以及各個低光圖像樣本對應的正常光圖像；

第一處理單元，用于將所述多個低光圖像樣本輸入到初始低光圖像增強模型中，得到所述各個低光圖像樣本對應的預測增強圖像；

更新單元，用于根據所述各個低光圖像樣本對應的所述正常光圖像和所述預測增強圖像，對所述初始低光圖像增強模型的模型參數進行更新，以得到訓練后的低光圖像增強模型。

8.一種低光圖像增強裝置，其特征在于，包括：

第二獲取模塊，用于獲取待增強的低光圖像；

第二處理單元，用于將所述待增強的低光圖像輸入到低光圖像增強模型中，得到所述待增強的低光圖像對應的增強圖像；所述增強圖像為上述權利要求1-5任一項所述的增強圖像模型。