申请/专利权人：中国电子科技集团公司第五十四研究所;北京交通大学

申请日：2023-06-13

公开（公告）日：2024-04-26

公开（公告）号：CN116823690B

主分类号：G06T5/50

分类号：G06T5/50;G06N3/0464;G06N3/048;G06N3/08;G06V10/40;G06V10/80;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2023.10.24#实质审查的生效;2023.09.29#公开

摘要：本发明提出了基于SwinTransformer的复杂场景HDR图像重建方法，属于HDR重建技术领域。本发明首先构建基于SwinTransformer的复杂场景HDR图像重建模型，然后对基于SwinTransformer的复杂场景HDR图像重建模型进行训练，最后，将同一场景下三张不同曝光值的LDR图像输入到训练好的模型中，得到HDR重建图像。本发明结合HDR图像重建的具体特征，并提出了细节特征对齐模块和特征融合重建模块，提高了HDR图像重建结果的质量。本发明在复杂场景中的HDR图像重建任务中表现出了较好的性能，有效地提高了HDR图像的质量和细节，具有广泛的应用前景。

主权项：1.基于SwinTransformer的复杂场景HDR图像重建方法，其特征在于，包括如下步骤：步骤1，构建基于SwinTransformer的复杂场景HDR图像重建模型，该模型包括细节特征对齐模块、特征融合重建模块和全局残差连接；所述细节特征对齐模块的输入为同一场景下三张不同曝光值的LDR图像，图像从上往下曝光值逐渐增强，中间曝光值的图像设置为参考图像；细节特征对齐模块通过卷积提取参考图像与非参考图像之间的细节特征，然后通过卷积从提取的细节特征中估计图像间的变换参数，得到注意力图；接着采用逐元素相乘来消除特征中的冗余信息，得到细节对齐特征；所述特征融合重建模块的输入为细节特征对齐模块输出的细节对齐特征；特征融合重建模块包括三个堆叠的上下文感知SwinTransformer模块、空洞卷积和残差连接，每个上下文感知SwinTransformer模块均具有全局分支和局部分支；全局分支中包括一个SwinTransformer模块，用于从不同的特征空间进行聚合特征表示，局部分支中包括一个局部上下文交互单元，用于通过卷积和可变形卷积在通道维度上进行缩放，将获得的特征进行通道注意力学习，生成相应的权重参数以指导上下文特征交互；全局分支和局部分支的输出特征融合后输入给下一级上下文感知SwinTransformer模块，最后一级上下文感知SwinTransformer模块的输出经过空洞值为2的空洞卷积扩大感受野；然后对网络进行残差连接，将输出特征与特征融合重建网络的输入特征进行逐元素相加，然后输入3×3的Conv卷积得到网络的重建特征；所述全局残差连接利用跳跃连接加上原始参考图像的信息，与特征融合重建模块输出的重建特征相结合，将结合后的特征进行3×3的Conv卷积操作和Sigomid激活函数，最终输出HDR重建图像；步骤2，对基于SwinTransformer的复杂场景HDR图像重建模型进行训练；步骤3，将同一场景下三张不同曝光值的LDR图像输入到训练好的模型中，得到HDR重建图像，其中，输入图像从上往下曝光值逐渐增强，中间曝光值的图像设置为参考图像。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所;北京交通大学 基于Swin Transformer的复杂场景HDR图像重建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD