买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安庆师范大学申请的专利基于改进型生成对抗网络的图像去雾方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118333898B 。

龙图腾网通过国家知识产权局官网在2025-06-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410336917.2，技术领域涉及：G06T5/73；该发明授权基于改进型生成对抗网络的图像去雾方法及系统是由闻军;桂艺婷;吴敏;高静;周岳钰;闫保;王传龙;王强;黄晓晓设计研发完成，并于2024-03-22向国家知识产权局提交的专利申请。

本基于改进型生成对抗网络的图像去雾方法及系统在说明书摘要公布了：本发明提供基于改进型生成对抗网络的图像去雾方法及系统，方法包括：建立训练集；构建基于改进型生成对抗网络的图像去雾模型；网络模型包括生成器与鉴别器，生成器包括：编码器、浅层特征融合模块、空间注意力模块、解码器；将有雾图像输入暗通道先验算法得到初步去雾图像；将初步去雾图像和对应清晰图像传入生成对抗网络进行细化，训练模型参数，得到去雾结果图；构建图像去雾混合损失函数，监督模型训练，优化模型参数，从而更新并得到一个趋于稳定的最优图像去雾模型；将新的单幅有雾图像输入最优的图像去雾网络模型，直接输出去雾图像。本发明解决了特征提取能力不足、恢复真实颜色困难、细节纹理信息丢失以及存在噪声伪影的技术问题。

本发明授权基于改进型生成对抗网络的图像去雾方法及系统在权利要求书中公布了：1.基于改进型生成对抗网络的图像去雾方法，其特征在于，包括：S1、采集并构建有雾图像数据集，将有雾图像数据集中的有雾图像预处理至预设尺寸，建立训练集，训练集包括：有雾图像以及对应清晰图像；S2、将训练集中的有雾图像传入暗通道先验算法进行处理，以得到第一去雾图像；S3、基于U-Net网络构建生成对抗网络模型，保留不少于2组上下采样，以在学习不同分辨率特征图的同时保留图像中的关键特征信息，生成对抗网络模型包括：生成器以及鉴别器，其中，生成器包括：增加密集连接模块DCB的编码器、浅层特征融合模块SFFM、空间注意力模块SAM以及解码器；步骤S3包括：S31、将有雾图像输入生成器，在编码阶段，利用密集连接模块DCB进行不少于2次下采样操作，调整有雾图像的通道维度，分别得到不少于2张差异下采样尺寸特征图；S32、将原始尺寸的有雾图像经过一层卷积通道变换，以得到并输入浅层特征信息至浅层特征融合模块SFFM进行学习操作，以获得并融合处理浅层输出特征与模型上采样输出，以利用差异感受野处理得到第一丰富语义信息；S33、将差异下采样尺寸特征图，分别送入空间注意力模块SAM进行图像高频区域处理，以与解码器的各层的对应尺度特征图进行融合，从而根据第一丰富语义信息，获得第二丰富语义信息、全局上下文信息，以得到密集输出特征；S34、在解码器中，通过不少于2个上采样模块，对密集输出特征进行恢复操作，以得到原始尺寸的去棋盘格伪影图像，其中，利用双线性插值和3×3卷积的组合，进行上采样操作；密集连接模块DCB中的密集连接组件包括：卷积层和多尺度卷积单元MSCU，分别用以进行通道变换操作、多尺度特征学习操作；S4、将第一去雾图像与对应清晰图像传入生成对抗网络模型，以进行细化处理，对生成对抗网络模型的模型参数进行训练操作，获得去雾结果图；S5、构建图像去雾混合损失函数，监督训练操作，优化模型参数，以更新获取适用图像去雾模型，其中，混合损失函数包括：生成对抗损失LG、重构损失Lrec以及一致性损失Lidt；其中，步骤S5包括：S51、定义并根据生成对抗损失，监督生成器及鉴别器的方式更新操作；S52、根据重构有雾图像，定义重构损失，用以更新生成器；S53、根据伪影、噪声参数，定义一致性损失，以保持去雾图像与对应清晰图像一致；其中，利用下述逻辑，定义一致性损失：Lidt＝||Jreal-GJreal||+||Jreal-Jref||；式中，Jref表示去雾图像，Jreal表示输入有雾图像对应的清晰图像；S54、根据生成对抗损失、重构损失以及一致性损失，确定混合损失函数；S6、采集并输入实时有雾图像至适用图像去雾模型，以得到并输出实时去雾图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安庆师范大学，其通讯地址为：246133 安徽省安庆市宜秀区集贤北路1318号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。