買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜西南石油大學申請的專利基于疊加融合結構信息和密集多尺度特征的圖像修復方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117078523B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310703775.4，技術領域涉及：G06T5/77；該發明授權基于疊加融合結構信息和密集多尺度特征的圖像修復方法是由李志丹;魏添;程吉祥;陳周;任櫻設計研發完成，并于2023-06-14向國家知識產權局提交的專利申請。

本基于疊加融合結構信息和密集多尺度特征的圖像修復方法在說明書摘要公布了：本發明公開了基于疊加融合結構信息和密集多尺度特征的圖像修復方法，包括如下步驟：首先對公開數據集進行處理得到融合結構信息；然后建立疊加融合結構信息和密集多尺度特征的圖像修復網絡，利用融合結構信息重構和圖像特征重構共享的生成器同時修復融合結構信息和生成圖像特征；利用改進的密集多尺度特征融合模塊增大網絡的感受野并使用空洞卷積提取豐富多尺度信息；設置優化策略訓練修復網絡并采用聯合損失約束網絡優化方向；利用訓練好的圖像修復模型及模型權重參數對破損圖像進行修復及效果評估；本發明能夠更好地表征圖像結構信息，使得修復后的圖像具有更合理的結構及更真實的視覺效果，主客觀測試評價結果均證明了本發明方法的有效性。

本發明授權基于疊加融合結構信息和密集多尺度特征的圖像修復方法在權利要求書中公布了：1.基于疊加融合結構信息和密集多尺度特征的圖像修復方法，其特征在于，包括以下步驟：步驟S1：獲取包括圖像數據集和掩碼數據集的實驗數據集，其中圖像數據集和掩碼數據集均分別包括訓練集和測試集；步驟S2：對圖像數據集中訓練集圖像進行處理得到融合結構信息，所述處理方式為首先分別使用Canny算子和邊緣保持的平滑方法提取訓練集圖像的邊緣圖像和邊緣保持的平滑圖像，然后使用元素級疊加方式融合邊緣圖像和邊緣保持的平滑圖像以構成融合結構信息；步驟S3：建立基于疊加融合結構信息和密集多尺度特征的圖像修復網絡，所述圖像修復網絡包括融合結構信息重構和圖像特征重構共享的生成器和融合結構信息判別器；所述融合結構信息重構和圖像特征重構共享的生成器融合結構信息重構和圖像特征重構共享的生成器用于同時進行融合結構信息的修復和掩碼更新，并使用已修復的融合結構信息、掩碼引導圖像特征的生成，其以P-Unet架構為基礎模型，從前至后依次設置2個融合結構信息嵌入模塊、1個部分卷積編碼層、8個改進的密集多尺度特征融合模塊、1個像素級注意力層、1個部分卷積加轉置卷積的解碼層、配置了轉置卷積的融合結構信息嵌入解碼模塊、融合結構信息嵌入解碼模塊、1個瓶頸層和1個卷積層；所述融合結構信息嵌入模塊包括融合結構重構層和圖像特征重構層，所述融合結構重構層由部分卷積層、瓶頸層、和卷積層組成，圖像特征重構層由部分卷積層組成；所述1個部分卷積編碼層采用卷積核為3，步幅為1，填充為1的部分卷積，僅改變通道數，而特征圖尺寸不改變；所述8個改進的密集多尺度特征融合模塊采用卷積核為3，步幅為1，填充為1的部分卷積；改進的密集多尺度特征融合模塊第一層卷積用于將輸入特征的通道變為原來的四分之一，以減少參數量；第二層為由不同空洞系數的空洞卷積構建的四條分支，第一層卷積輸出的特征將被送入第二層以提取多尺度特征，經四條分支處理的特征表示為xii＝1,2,3,4；在第二層中除x1外，每個分支特征與上一個分支特征疊加組合后輸入3×3的卷積Ki·處理，對于每個卷積Ki·的輸出yi，其計算過程如下式所示： 隨后將所有的輸出特征yi在通道維級聯后輸入1×1的卷積改變通道數以保持與輸入特征的通道數一致，接著將兩特征進行元素級累加操作，為配合無規則掩碼修復，將疊加后的特征再輸入3×3的部分卷積層；第一層卷積和通道維級聯后面采用實例正則化層和ReLU激活層，1×1卷積后僅采用實例正則化層；所述融合結構信息判別器為SN-PatchGAN，此外還采用光譜歸一化以穩定GAN的訓練過程，融合結構信息判別器由3層卷積核為4，步幅為2，填充為1的卷積和2層卷積核為4，步幅為1，填充為1的卷積組成，除最后一層省略外，前4層后均配置負斜率為0.2的LeakyReLU激活函數，網絡最后輸出為的矩陣，M、N分別為輸入特征圖的高和寬；所述融合結構信息判別器用于對修復后的融合結構信息塊的真偽進行判別；步驟S4：將步驟S1中獲取的圖像數據集和掩碼數據集中訓練集圖像和步驟S2經過元素級疊加方式得到的融合結構信息輸入步驟S3建立的圖像修復網絡進行訓練；設置優化策略訓練所述網絡并采用聯合損失約束網絡優化方向，聯合損失包括有效區域重建損失Lvalid、缺失區域重建損失Lhole、感知損失Lperceptual、風格損失Lstyle、總變分損失Ltv和對抗損失通過不斷迭代訓練，直到網絡最終收斂，并保存網絡訓練權重參數，得到最終的圖像修復模型；步驟S5：將步驟S1中獲取的圖像數據集和掩碼數據集中測試集圖像輸入到步驟S4訓練后的圖像修復模型中，得到修復后的圖像。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西南石油大學，其通訊地址為：610500 四川省成都市新都區新都大道8號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。