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！

龙图腾网获悉江西师范大学申请的专利一种基于双目摄像头的低光图像无监督训练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：CN120374429B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202510874483.6，技术领域涉及：G06T5/60；该发明授权一种基于双目摄像头的低光图像无监督训练方法是由江爱文;刘志浩;孙诗妍设计研发完成，并于2025-06-27向国家知识产权局提交的专利申请。

本一种基于双目摄像头的低光图像无监督训练方法在说明书摘要公布了：本发明公开了一种基于双目摄像头的低光图像无监督训练方法，包括以下步骤：通过双目摄像头同步捕获真实世界的低光图像对，构建数据集；搭建并使用轻量级优化网络，生成优化图像对；基于视网膜理论搭建双分支网络；搭建特征提取网络TB‑FEN，进行特征一致性约束；构建总损失函数，指导网络训练。本发明的有益效果：解决高质量的配对数据集较为困难、单目摄像头只能从单一视角获取图像信息的问题。该方法通过联合优化Retinex分解模型与特征一致性约束策略，在提升图像亮度与细节清晰度的同时，保持原始三维几何结构信息，适用于低照度场景下的图像增强与重建任务。

本发明授权一种基于双目摄像头的低光图像无监督训练方法在权利要求书中公布了：1.一种基于双目摄像头的低光图像无监督训练方法，其特征在于，包括以下步骤： 步骤S1，通过双目摄像头同步捕获真实世界的低光图像对，去除其中的模糊图像，构建数据集； 步骤S2，搭建并使用轻量级优化网络去除步骤S1中数据集的传感器噪声及压缩伪影，生成优化图像对； 步骤S3，基于视网膜理论搭建双分支网络，左分支网络对优化图像对的左图像进行分解得到左反射图像和左光照图像，右分支网络对优化图像对的右图像进行分解得到右反射图像和右光照图像； 步骤S4，搭建特征提取网络TB-FEN，分别提取优化图像对的左图像与步骤S3中的左反射图像、优化图像对的右图像与步骤S3中的右反射图像的特征，进行特征一致性约束； 步骤S5，根据步骤S2、步骤S3和步骤S4中特征一致性约束，构建总损失函数，指导网络训练； 步骤S4中：搭建特征提取网络TB-FEN，分别提取优化图像对的左图像与步骤S3中的左反射图像、优化图像对的右图像与步骤S3中的右反射图像的特征，进行特征一致性约束；具体为： 步骤S41，特征提取网络TB-FEN分别从优化图像对的左右图像与反射图像的左右图像中提取不同层级的图像语义信息，并实现特征对齐； 步骤S42，特征提取网络TB-FEN对输入的优化图像对的左右图像与反射图像的左右图像采用参数共享的权重编码器进行特征提取，保证提取特征的一致性； 步骤S43，参数共享的权重编码器包含三个层级的特征提取模块，分别对应浅层特征提取模块、中层特征提取模块和深层特征提取模块，每个层级的特征提取模块由一个残差连接模块构成； 残差连接模块内部由卷积核大小为3x3的卷积层、批归一化层、ReLU激活函数组成，并将输入输出进行相加构成残差连接，每个残差连接模块均使用相同的网络结构配置； 步骤S44，浅层特征提取模块：浅层特征一致性损失，定义为： ； 其中，表示L1范数，用于衡量特征之间的绝对差异，表示浅层特征提取模块，表示浅层特征一致性损失； 中层特征提取模块，衡量优化图像与反射图像在局部结构分布上的相似度：中层特征一致性损失基于结构相似性指数计算，定义为： ； 其中，表示结构相似性指数，表示中层特征提取模块，表示中层特征一致性损失； 深层特征提取模块：深层特征提取模块损失函数基于余弦相似度，定义为： ； 其中，表示深层特征提取模块，表示深层特征一致性损失； 步骤S45，采用加权总损失函数优化多个层级的特征对齐效果，总特征一致性损失函数定义如下： ； 其中，为浅层、中层和深层损失项的权重超参数，用于控制不同层级特征在总损失中的贡献比例，表示总特征一致性损失函数。

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江西师范大学，其通讯地址为：330000 江西省南昌市高新技术开发区紫阳大道99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”。

以上内容由龙图腾AI智能生成。