公开(公告)号：CN119904552A

公开(公告)日：2025-04-29

申请号：CN202411974689.8

申请日：2024-12-30

Applicant: 福州大学

Inventor： 牛玉贞 ,  陈思灵 ,  李富晟 ,  杨诗韵

IPC: G06T11/60 ,  G06N3/0895 ,  G06V10/74 ,  G06V10/98 ,  G06V10/82

Abstract: 本发明涉及一种基于文本提炼与多粒度对齐的CLIP的图像美学评价方法，属于图像处理以及计算机视觉领域。所述方法，利用现有的大语言模型对美学数据集中的用户评论进行文本提炼，从中分析并概括出与美学相关的核心描述，进而构建美学摘要数据集；其次，设计多粒度对齐的CLIP框架，基于该框架利用配对的图像‑详细评论‑美学摘要对原始的CLIP模型进行微调，使模型更好地理解美学领域中图像与文本描述之间的语义关系，从而学习到更加丰富的美学特征表示，获得针对美学任务的优化后的CLIP模型；最后，基于微调后的CLIP模型设计图像美学质量评价网络，以实现对图像美学质量的有效预测。本发明避免了跨模态美学评价方法在推理阶段需要同时输入图像文本对的问题。

公开(公告)号：CN117876706A

公开(公告)日：2024-04-12

申请号：CN202410050474.0

申请日：2024-01-12

Applicant: 福州大学

Inventor： 牛玉贞 ,  杨立芬 ,  李富晟

IPC: G06V10/44 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明提供一种基于CNN‑Transformer交叉融合的伪装目标检测方法，包括：进行数据预处理，包括数据配对、数据增强处理，得到训练数据集；设计由并行特征提取网络、多个交叉融合模块和金字塔式渐进聚合模块组成的基于CNN‑Transformer交叉融合的伪装目标检测网络；设计损失函数，指导步骤B所设计网络的参数优化；使用步骤A得到的训练数据集训练步骤B中的基于CNN‑Transformer交叉融合的伪装目标检测网络，得到训练好的基于CNN‑Transformer交叉融合的伪装目标检测模型；将待测图像输入训练好的基于CNN‑Transformer交叉融合的伪装目标检测模型，输出伪装目标的掩码图像。

公开(公告)号：CN119941601A

公开(公告)日：2025-05-06

申请号：CN202510044777.6

申请日：2025-01-10

Applicant: 福州大学

Inventor： 牛玉贞 ,  达慧 ,  李富晟

IPC: G06T5/94 ,  G06T5/60 ,  G06V10/762 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种基于光照分组和掩码注意力的低照度图像增强方法，属于图像和视频处理以及计算机视觉领域。所述方法，包括：对输入图像进行预处理，图像数据配对、数据裁切和图像增强等操作，得到训练数据集；设计基于光照分组和掩码注意力的低照度图像增强网络，该网络包含图像增亮模块、基于多尺度光照分组和掩码注意力特征重构的退化恢复模块、特征输出模块；设计用于网络参数更新的损失函数；对基于光照分组和掩码注意力的低照度图像增强网络进行训练，获得训练好的低照度图像增强网络；将训练好的网络利用测试集进行测试，获得预测后的正常照度图像。本发明能够对低光图像进行增亮，并解决局部细节缺失、局部暗光和图片增亮后的噪声问题。

公开(公告)号：CN119941581A

公开(公告)日：2025-05-06

申请号：CN202510037210.6

申请日：2025-01-09

Applicant: 福州大学

Inventor： 牛玉贞 ,  许瑞 ,  许叶源 ,  李富晟

IPC: G06T5/77 ,  G06T5/92 ,  G06T5/60 ,  G06T5/50 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明涉及一种基于多状态视角RWKV模型的低光图像复原方法。包括：对输入图像进行预处理，包括图像配对以及数据增强操作，以构建训练数据集；设计一个多状态视角RWKV模型的低光图像复原网络，由输入映射层、若干RWKV块组成的三阶段编码器、状态感知选择性融合模块、若干RWKV块组成的三阶段解码器、以及输出映射层构成；设计用于优化步骤B中所述复原网络的损失函数；使用步骤A中构建的训练数据集，训练基于多状态视角RWKV模型的低光图像复原网络；将待测图像输入已训练好的复原网络，生成正常光照条件下的复原图像。本发明利用多状态视角RWKV模型，通过阶段内和阶段间多种状态的协同感知与分析，实现了对低光图像中复杂耦合退化的灵活处理。

公开(公告)号：CN119477733A

公开(公告)日：2025-02-18

申请号：CN202411664186.0

申请日：2024-11-20

Applicant: 福州大学

Inventor： 牛玉贞 ,  李富晟 ,  李悦洲 ,  陈思灵

IPC: G06T5/60 ,  G06T5/90 ,  G06V10/56 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出一种基于自适应亮度提升与高保真色彩校正的低照度图像增强方法。包括：构建训练数据集，对成对的低照度/正常照度图像进行数据增强，得到用于训练的图像数据集；设计基于自适应亮度提升与高保真色彩校正的低照度图像增强网络；设计用于训练所设计网络的损失函数；并使用训练数据集训练所设计网络；将待测低照度图像输入到训练好的网络中，生成正常照度图像。本发明利用自适应亮度提升策略以及多色彩空间约束下的色彩校正，能够在自适应增强图像亮度，并将图像色彩进行高保真校正，得到亮度合适且色彩高保真的高质量图像，有效解决了低照度图像亮度不均匀、色彩失真以及细节丢失等问题。