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！

龙图腾网获悉西安电子科技大学申请的专利基于宽激活循环神经网络的近无损压缩图像软解码方法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：CN114299173B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202210031119.X，技术领域涉及：G06F30/27；该发明授权基于宽激活循环神经网络的近无损压缩图像软解码方法是由牛毅;刘畅;马明明;李甫;石光明设计研发完成，并于2022-01-12向国家知识产权局提交的专利申请。

本基于宽激活循环神经网络的近无损压缩图像软解码方法在说明书摘要公布了：本发明属于数字图像处理技术领域，涉及一种图像软解码方法，具体涉及一种基于宽激活循环神经网络的近无损压缩图像软解码方法，该方法包括如下步骤：S1，样本的获取及预处理；S2，宽激活循环神经网络模型的构建；S3，宽激活循环神经网络模型的训练；S4，宽激活循环神经网络模型的测试。解决了现有方法重建压缩图像质量不够清晰，且像素边界约束不够严格的问题。本发明通过构建一种基于宽激活神经网络的近无损压缩图像循环重建模型，并且以合理且高效的方式重新定义了像素边界约束，有效的提升了压缩图像重建质量，保证了严格的像素边界约束，提升了人的视觉感官体验，可用于完成近无损压缩图像的软解码。

本发明授权基于宽激活循环神经网络的近无损压缩图像软解码方法在权利要求书中公布了：1.一种基于宽激活循环神经网络的近无损压缩图像软解码方法，其特征在于，所述方法包括如下步骤： S1，样本的获取及预处理； S2，宽激活循环神经网络模型的构建； S3，所述宽激活循环神经网络模型的训练； S4，所述宽激活循环神经网络模型的测试； 所述宽激活循环神经网络模型包括特征提取部分、特征推理部分、图像重建部分；所述特征提取部分为图像升维网络，包括输入层和第一卷积层，所述第一卷积层的卷积核尺寸为3×3；所述特征推理部分为宽激活神经网络，包括输入层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一残差层；所述第二卷积层和所述第三卷积层的卷积核尺寸为1×1；所述第二卷积层和所述第三卷积层的激活函数均为ReLU激活函数，所述图像重建部分为图像降维网络，包括输入层、第六卷积层、第二残差层； 所述宽激活循环神经网络的损失函数L为： 其中，x是图像样本，是使用近无损压缩方法压缩后的图像样本，F是宽激活循环神经网络模型，D＝H×W×C，H是x和的高度，W是x和的宽度，C是x和的通道数；x与之间满足如下关系式：其中e∈[-1，+1]，τ为量化系数，e为图像样本残差 所述步骤S3包括如下步骤： S31，初始化所述宽激活神经网络，所述特征提取部分和所述图像重建部分的参数，设置当前迭代次数为T，最大迭代次数为E，E≥150，并令T＝0； S32，将近无损压缩图像样本输入所述特征提取部分，得到升维后的图像样本提升维度为从1到64，将输入图像样本映射到高维特征空间； S33，将所述步骤S32得到的图像样本以循环方式输入所述特征推理部分进行重建图像残差预测；图像样本输入所述宽激活神经网络后得到图像样本残差图像样本残差再次输入所述特征推理部分中，得到图像样本残差共循环n次，得到重建图像样本预测残差 S34，图像样本残差输入所述图像重建部分，以减少维度到1，即得到图像样本残差降维后的图像样本残差经规范化激活函数Tanh输出后，与所述步骤S1中压缩后的图像样本相加得到最终的预测重建图像 S35，将预测重建图像和训练样本集中对应的图像样本分别带入损失函数L中，计算训练后的重建损失，并使用梯度下降算法，通过重建损失对所述宽激活循环神经网络的参数进行更新；当重建损失的下降幅度小于0.0001或迭代次数多于150次时，停止训练； S36，判断T是否等于E，若是，得到训练好的所述宽激活循环神经网络模型；否则，令T＝T+1，并重新开始执行所述步骤S32。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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”。