1.一种深度学习模型的暗光图像增强方法，使用深度学习算法增强图像数据，其特征在于：模型包括混合特征补偿机制、编码器、raw解码器及sRGB解码器；
混合特征补偿机制包括特征提取模块及特征补偿模块，特征提取模块对输入的raw图像进行特征提取，特征补偿模块对输入的raw图像以及经过特征提取的raw图像进行特征补偿，通过集成多个子网络来提取和融合多尺度特征，并利用自注意力机制动态调整各特征表示的贡献，增强对图像细节及纹理特征的处理；
编码器在混合特征补偿机制的基础上，用于捕捉图像的关键特征信息和噪声信息并加以区分；
raw解码器用于将编码器提取的特征进行处理，实现图像去噪，并利用raw图像的噪声可处理特性，来去除图像中的噪声，保留图像的重要细节和纹理；
sRGB解码器包括反馈特征融合模块和解码模块，反馈特征融合模块将raw解码器的输出与编码器的输出中的特征进行融合；解码模块利用稀疏自注意力机制，保留最有用的特征信息并减少噪声或无关信息的干扰，解码模块还通过门控前馈机制，将经过编码器和raw解码器的去噪及增强后的特征进行色彩校正和色彩空间转换处理，将raw域图像映射到sRGB域，以生成增强图像；
其中：
特征提取模块的输入为 ，形状为[C1,H,W]，C1为输入特征的通道数，H和W分别为输入特征图的高和宽尺寸，首先，输入特征 经过卷积模块和池化模块，得到特征 ，以提取空间特征和压缩特征，并对特征 进行特征重塑操作，得到特征 ，重塑后的特征 形状为[C2]，
其中， 表示卷积模块， 表示池化模块， 表示特征重塑操作；
随后，特征 依次经过全连接层1、非线性激活层和全连接层2，得到输出特征，输出特征形状变为[n]，
其中， 、 表示全连接层， 为非线性激活函数，表示混合特征补偿机制中的子网络个数；
所述特征补偿模块的输入有两个，一个为 ，该输入与特征提取模块的输入相同，形状为[C1,H,W]；另一个为特征提取模块的输出 ，形状为[n]，n为7，首先，对于第一个输入 ，依次经过卷积模块和非线性激活层，得到特征 ，形状不变，
其中， 表示卷积模块， 为非线性激活函数；
随后，特征 分别输入到7个子网络中，得到7个输出 、 、 、 、 、 、 ；子网络1由1×1的卷积模块构成，子网络2由3×3的卷积模块构成，子网络3由5×5的卷积模块构成，子网络4由3×3的扩张卷积模块构成，子网络5由5×5的扩张卷积模块构成，子网络6由3×3的平均池化模块构成，子网络7由5×5的平均池化模块构成，
其中， 表示子网络1 7；
~
接着，对于第二个输入 即特征提取模块的输出，先分离其特征，得到7个权重 ，将7个权重 与对应的
7个子网络输出 、 、 、 、 、 、 相乘，得到7个加权后的特征 、 、 、、 、 、 ，将7个加权后的特征进行特征拼接后，依次经过卷积模块和非线性激活层，得到特征补偿模块的输出 ，形状为[C1,H,W]，
其中， 表示特征分离， 表示特征拼接处理， 表示沿着通道维
度对特征进行拼接， 表示卷积模块， 为非线性激活函数；
sRGB解码器的反馈特融合模块的输入有2个，分别是编码器的第二个输出 和raw解码器的第二个输出 ，分别定义为 和 ，
首先，将2个输入 、 特征序列中的特征分离开，第一个输入特
征 特征分离后得到 ，第二个输入特征 特征分离后
得到 ，分离开的特征经过不同的卷积模块后，得到特征 ， ， ，
， ， ，再对 ， ， 进行特征相加，对 进行特征相加，
随后，将相加后的特征进行拼接，得到特征 ，
其中， 表示特征分离， 表示卷积模块， 表示特征相加， 表
示特征拼接处理，dim=1表示沿着通道维度对特征进行拼接；
随后，特征 依次经过卷积模块、深度卷积模块和特征分离模块，得到特征 和 ，其中， 表示特征分离， 表示深度卷积模块， 表示卷积模块；
接着，利用非线性激活函数和卷积模块，实现自适应地选择和融合有用的细节信息和去噪先验，得到特征 ，
；
其中， 为非线性激活函数， 表示卷积模块；
解码模块的输入为反馈特征融合模块的输出，解码模块的输入为 ，首先，输入特征 依次经过稀疏自注意力机制、门控前馈机制和上采样模块，此过程为一个循环，上一循环的输出作为下一循环的输入，默认循环次数为3次，三个循环的输出分别为， ， ，
其中， 表示稀疏自注意力机制， 表示门控前馈机制， 表示上采样模块；
完成3次循环后，特征 先经过稀疏自注意力机制及门控前馈机制得到特征 ，再经过卷积模块、非线性激活层及卷积模块得到特征 ，最后经过像素重排模块，得到恢复后的sRGB图像 ，
其中， 表示稀疏自注意力机制、 表示门控前馈机制、 表示卷积模块、表示非线性激活函数、 表示像素重排处理；
稀疏自注意力机制选择查询和键之间最大的k个相似性分数进行自注意力计算，保留最有用的信息并减少无关特征的干扰，稀疏自注意力机制的输入为 ，
首先，输入特征 经过层归一化处理后，依次经过点卷积模块和深度卷积模块得到特征 ，特征 经过特征分离模块进行特征分离，得到 、、，
其中， 表示层归一化处理， 表示点卷积模块， 表示深度卷积模块，
表示特征分离处理；
随后，对3个特征 、 、进行特征重塑，得到 、 、，特征 、 、的形状分别由[C,H,W]变成[N,C/N,H×W]，
其中，为特征图通道数量， 为特征图高， 为特征图宽，N为多头自注意力模块的头数， 表示特征重塑；
接下来，对特征 进行L2归一化，得到 ，对特征 进行L2归一化及转置，得到 ，其中， 表示L2归一化处理， 表示对特征最后两个维度的
元素进行转置处理；
随后，对特征 和 进行矩阵相乘，得到相似性分数，分别挑选前1/2、1/3、1/4个相似性分数,分别表示为 、 、 ，对 、 、 进行softmax处理后，分别与
特征 进行矩阵相乘，得到 、 、 ，
其中， 表示矩阵相乘处理， 表示取前k个相似性分数，
表示沿着最后一个维度对特征进行softmax处理；
接下来，对 、 、 进行特征加权，权重分别为 、 、 ，这3个
权重是可学习的，得到特征 ，
最后，重塑特征 的形状并经过卷积模块，得到稀疏自注意力机制的输出，其中， 表示特征重塑， 表示卷积模块；
门控前馈机制的输入为稀疏自注意力机制的输出，门控前馈机制的输入表示为，首先，输入特征 经层归一化和卷积模块处理，得到特征 ，
其中， 表示层归一化处理， 表示卷积模块；
接下来，特征 分别经过2个扩张卷积模块处理，得到特征 和 ，特征 经过非线性激活层，引入非线性，得到特征 ，
其中， 表示扩张卷积模块， 为非线性激活函数；
最后，对 和 进行特征相乘后再经过卷积模块，得到门控前馈机制的输出，
其中， 表示卷积模块。
2.如权利要求1所述的深度学习模型的暗光图像增强方法，其特征在于：编码器的输入为 ，形状为[C,H,W]，H和W分别为输入特征图的高和宽尺寸，编码器有2个输出，第一个输出 为编码器的最终输出，第二个输出 用于保存编码器内循环
的中间特征；
首先，输入特征 依次经过深度卷积模块、卷积模块、非线性激活层、卷积模块及下采样模块，循环3次，每次循环的输出为下一次循环的输入， 、 、 为输入特征经过深度卷积模块、卷积模块、非线性激活层及卷积模块的输出，再进行下采样，第一次循环的输出为 ，第二次循环的输出为 ，第三次循环的输出为 ，
其中， 表示深度卷积模块， 表示卷积模块， 为非线性激活函数， 表
示下采样模块， 为编码器的第二个输出，用于保存 、 和 ；
随后，在满足循环次数要求后，形状为[8C,H/8,W/8]的特征 再依次经过深度卷积模块、卷积模块、非线性激活层和卷积模块，得到最终输出，即编码器的第一个输出，。
3.如权利要求2所述的深度学习模型的暗光图像增强方法，其特征在于：raw解码器的输入有2个，分别为 、 ，raw解码器的两个输入对应编码器的两个输
出，raw解码器的输出有2个，分别为 、 ；
首先，反转第二个输入 的特征序列顺序，得到 ，第一个输入
依次经过深度卷积模块、卷积模块、非线性激活层、卷积模块、上采样模块和特征融合模块，此过程为一次循环，每次循环的输出为下一次循环的输入， 、 、 为输入特征经过深度卷积模块、卷积模块、非线性激活层、卷积模块后得到的特征， 、 、 为每一次循环的输出，
其中， 表示深度卷积模块， 表示卷积模块， 为非线性激活层， 表示
上采样模块， 表示特征融合模块， 表示特征序列中的第x个元素，
为raw解码器的第二个输出，用于保存 、 和 ；
随后，将循环结束后的输出依次经过深度卷积模块、卷积模块、非线性激活层和卷积模块，得到raw解码器的第一个输出 ，该输出 为预测的清晰的raw
图像，
。
4.如权利要求1所述的深度学习模型的暗光图像增强方法，其特征在于：在模型训练期间，模型的输入是经随机翻转和归一化处理后的raw图像，模型的输出有2个，分别是raw解码器的第一个输出 和sRGB解码器的输出 ，使用L1损失函数来进
行raw域和sRGB域的监督，损失函数的计算公式如下所示，
其中， 表示损失函数， 表示raw解码器的输出1， 表示清晰的raw图像，表示sRGB解码器的输出， 表示真实sRGB图像， 表示L1损失函数。
5.如权利要求1所述的深度学习模型的暗光图像增强方法，其特征在于：模型的训练周期为300epoch，batch size为8，初始学习率为0.0002，优化器为Adamw，betas为[0.9,
0.999]，优化器调整策略为Cosine annealing。