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深度学习Relu和通道相关性注意力的图像去噪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：CN116051419B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202310122875.8，技术领域涉及：G06T5/70；该发明授权基于深度学习Relu和通道相关性注意力的图像去噪方法是由张静;张治成;曾繁玉;贾佳;李云松设计研发完成，并于2023-02-16向国家知识产权局提交的专利申请。

本基于深度学习Relu和通道相关性注意力的图像去噪方法在说明书摘要公布了：本发明公开了一种基于深度学习Relu和通道相关性注意力的图像去噪方法，解决了现有技术中去噪模型效率低的问题，以及去噪后图像边缘轮廓信息被过度平滑和纹理信息丢失的问题。本发明的实现步骤如下：设计Relu激活层和通道相关性注意力层，分别用来构建多偏置Relu双分支模块和通道相关性注意力模块，通过多偏置Relu双分支模块和通道相关性注意力模块构建多路Unet去噪网络；利用生成的训练集训练多路Unet去噪网络；对图像进行去噪。本发明能够较好地整合有用特征，提高模型的去噪效率，较好地保持去噪后图像中的边缘轮廓信息和纹理信息。

本发明授权基于深度学习Relu和通道相关性注意力的图像去噪方法在权利要求书中公布了：1.一种基于深度学习Relu和通道相关性注意力的图像去噪方法，其特征在于，设计Relu激活层和通道相关性注意力层，分别用来构建多偏置Relu双分支模块和通道相关性注意力模块；该方法的具体步骤包括如下： 步骤1，构建多偏置Relu双分支模块： 步骤1.1，搭建一个上分支电路，其结构依次串联为：层归一化层，卷积核大小为1*1的第一卷积层，卷积核大小为3*3的深度可分离卷积层，采用Relu激活层并联组成的多偏置激活组，卷积核大小为1*1的第二卷积层； 步骤1.2，搭建一个下分支电路，其结构依次串联为：层归一化层，卷积核大小为1*1的第一卷积层，卷积核大小为5*5的深度可分离卷积层，采用Relu激活层并联组成的多偏置激活组，卷积核大小为1*1的第二卷积层； 步骤1.3，将上、下分支电路的输入端并联后再与加法器相连，将上、下分支电路的输出端与矩阵乘法器相连后，再依次与卷积核大小为1*1的卷积层、加法器串联，组成多偏置Relu双分支模块； 步骤2，构建通道相关性注意力模块： 搭建一个包括三个分支的通道相关性注意力模块，第一个分支与第二个分支分别连接乘法器后再与第三个分支相连，其中，第一个分支是由层归一化层，卷积核大小为1*1的卷积层，卷积核大小为3*3的深度可分离卷积层，Relu激活层，通道相关性注意力层依次串联组成；第二个分支是由Relu激活层与通道相关性注意力层的输出端相连组成；第三个分支是由归一化层的输入端与加法器相连组成； 所述通道相关性注意力层实现过程依次为：对Relu激活层输出结果计算通道维度的余弦相似度矩阵，逐行对余弦相似度矩阵的像素值进行softmax，再逐行用余弦相似度矩阵像素值次最大值替换像素值最大值，再逐行将余弦相似度矩阵像素值小于该行均值的像素值置0； 步骤3，构建多路Unet去噪网络： 步骤3.1，搭建难去噪子网HardNet、易去噪子网EasyNet和主干去噪子网BackboneNet三个子网，每个子网由五个分支组成，其中，第一个分支是由卷积核大小为3*3的第一卷积层，第一级下采样模块，第二级下采样模块，第三级下采样模块，第一级上采样模块，第二级上采样模块，第三级上采样模块，卷积核大小为3*3的第二卷积层依次串联组成；第二个分支是由第一级下采样模块的输出端连接第三级上采样模块的输入端组成；第三个分支是由第二级下采样模块的输出端连接第二级上采样模块的输入端组成；第四个分支是由第一卷积层和第二卷积层串连组成；第五个分支是由第一卷积层的输入端和第二卷积层的输出端分别连接加法器； 第一至第三级上采样模块的结构相同，均由像素重组上采样层PixelUnshuffle、多偏置Relu双分支模块和通道相关性注意力模块依次串联组成；第一至第三级下采样模块的结构相同，均由像素重组下采样层PixelUnshuffle、多偏置Relu双分支模块和通道相关性注意力模块依次串联组成； 步骤3.2，将难去噪子网HardNet和易去噪子网EasyNet输入端并联，再将两个子网的输出端和主干去噪子网BackboneNet的输入端相连，组成多路Unet去噪网络； 步骤4，生成训练集： 步骤4.1，选取至少300对图像，每对图像由一张真实噪声图像和一张人工标注的干净图像组成； 步骤4.2，将每张图像裁剪成256*256大小的图像块，对每个图像块进行数据增广； 步骤4.3，将增广后的所有图像块组成训练集； 步骤5，训练多路Unet去噪网络： 训练集中随机抽取噪声图像块和对应的人工标注的干净图像块，将抽取的噪声图像块输入到多路Unet去噪网络，主干去噪子网BackboneNet使用平均绝对误差损失函数L1loss，难去噪子网HardNet使用难去噪损失函数hardloss，易去噪子网EasyNet使用易去噪损失函数easyloss，分别计算三个子网输出的图像块与干净图像块的损失值，采用梯度下降法，迭代更新多路Unet去噪网络各层参数，直至平均绝对误差损失函数收敛为止，得到训练好的多路Unet去噪网络； 步骤6，对图像进行去噪： 采用与步骤4.2相同的方法，对待去噪图像进行处理，将处理好的图像输入到训练好的多路Unet去噪网络中，输出去噪后的图像。

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”。