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！

龍圖騰網恭喜大連理工大學申請的專利一種基于改進版文本解析器的文本至圖像生成算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：CN115018941B 。

龍圖騰網通過國家知識產權局官網在2025-05-23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：202210560027.0，技術領域涉及：G06T11/00；該發明授權一種基于改進版文本解析器的文本至圖像生成算法是由盛昳媛;許圣;賴越;葉子旺;劉秀平設計研發完成，并于2022-05-23向國家知識產權局提交的專利申請。

本一種基于改進版文本解析器的文本至圖像生成算法在說明書摘要公布了：本發明屬于計算機視覺技術領域，具體涉及一種基于改進版文本解析器的文本至圖像生成算法。本發明是一種端到端從文本到圖像的生成器，它可以解析文本，提取出主、謂、賓三元組，從而生成符合文本描述的布局圖，最終依據布局生成圖像。本發明標注詞性，識別文本并提取出文本中主、謂、賓三元組，然后通過人工分類網絡及學習出來的關系自動分類網絡進行6種幾何映射，從而依據最終三元組生成符合文本描述的布局圖。基于語義表達的多樣性，我們的映射關系是一對多而非一對一的，如此得到的布局圖也具有多樣性。最后我們從布局圖得到復雜場景，并融合了風格遷移，可生成具有特殊風格的圖像。

本發明授權一種基于改進版文本解析器的文本至圖像生成算法在權利要求書中公布了：1.一種基于改進版文本解析器的文本至圖像生成算法，其特征在于，該方法包括以下步驟：步驟S1：提取COCO數據集中的文本信息并進行統計與分類，完成信息統計工作；步驟S2：基于精細分類構建關系映射數據集，并將其劃分訓練集、驗證集與測試集；步驟S3：構建關系自動分類網絡，并基于步驟S2中的分類數據集進行預訓練，實現復雜語義關系到幾何空間關系的映射；所述步驟S3具體為：步驟S31：構建embeddinglayer模塊，即使用預訓練好的word2vec模型，得到文本、三元組、關系詞中分別對應的詞嵌入向量，具體而言：該模塊中，文本t、每個三元組ci以及關系詞ri都輸入到加載了預訓練權重的word2vec模型中，分別得到文本嵌入向量三元組嵌入向量與詞向量的特征步驟S32：構建LSTM網絡，對文本及三元組的嵌入向量進行進一步處理，提取語義特征向量；即在每個LSTM單元利用遺忘門控制決定丟棄上一層中的文本特征信息，利用輸入門存放有效的文本特征信息，利用輸出門對每層的輸出文本信息進行過濾；將文本嵌入向量輸入LSTM網絡，通過LSTM單元，輸出文本特征ft；將源自文本的三元組嵌入向量輸入LSTM網絡，通過LSTM單元，輸出三元組特征步驟S33：基于步驟S31中的embeddinglayer模塊、步驟S32中的LSTM模塊，再融合MLP模塊共同構建關系自動分類網絡；具體而言，將關系詞向量文本特征ft，三元組特征拼接在一起得到特征f，即定義其中，[；]表示拼接；將f輸入多層感知機MLP得到6維向量，向量中每一個元素代表著一類COCO數據集中可以處理的幾何位置關系；步驟S34：使用步驟S2中構建的關系映射數據集對步驟S33中構建的關系自動分類網絡進行預訓練，并使用Adam優化器來最小化損失；步驟S4：構建文本自動處理模塊，實現對輸入文本的關鍵信息提取；步驟S5：基于步驟S3中的關系自動分類網絡與步驟S4中的文本自動處理模塊，構建改進版的文本的解析器，輸入文本描述，輸出解析后的結構化三元組，進而得到場景圖；步驟S6：基于場景圖至圖像生成算法sg2im構建布局預測網絡，并將場景圖輸入到布局預測網絡中，得到場景布局；步驟S7：結合Real-TimeStyleTransfer風格轉移與LostGANs圖像生成模型構建風格化圖像生成網絡，并將布局輸入風格化圖像生成網絡中，得到具有不同藝術風格的圖像；步驟S8：基于步驟S5中的改進版文本解析器，步驟S6中的布局預測網絡，步驟S7中的風格化圖像生成網絡，按照S5、S6、S7的順序實現整體的文本至圖像生成算法，并將算法嵌入網頁后臺，實現網絡設計，以方便用戶使用。

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大連理工大學，其通訊地址為：116024 遼寧省大連市甘井子區凌工路2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”。