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！

龙图腾网获悉深圳北理莫斯科大学申请的专利基于专家混合协同扩散算子学习的多任务逆成像方法、系统、终端及可读存储介质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：CN120198764B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202510681032.0，技术领域涉及：G06V10/80；该发明授权基于专家混合协同扩散算子学习的多任务逆成像方法、系统、终端及可读存储介质是由方宇浩;李春;田玉斌;张晔;布达克·鲍里斯·亚历山德罗维奇;翟斌;洪嘉隆;程嘉荣;邱夕航设计研发完成，并于2025-05-26向国家知识产权局提交的专利申请。

本基于专家混合协同扩散算子学习的多任务逆成像方法、系统、终端及可读存储介质在说明书摘要公布了：本发明涉及图像处理技术领域，公开了一种基于专家混合协同扩散算子学习的多任务逆成像方法、系统、终端及可读存储介质，所述方法包括：根据待处理图像的类型进行归一化处理，得到图像张量；输入分支网络进行自适应平均池化生成池化特征，对池化特征进行融合输出分支特征表示；通过特征融合模型输出高维特征表示，并通过输出头映射到目标图像控件，得到目标重建图像。本发明通过可分离的主干网络进行计算，联合混合专家机制，提升了高维任务下的收敛速度，显著降低梯度爆炸与初始参数敏感性，可广泛适用于图像去噪、图像修复、超分辨率、运动模糊恢复等图像反问题任务，并可扩展至计算物理、遥感重建等高维场景。

本发明授权基于专家混合协同扩散算子学习的多任务逆成像方法、系统、终端及可读存储介质在权利要求书中公布了：1.一种基于专家混合协同扩散算子学习的多任务逆成像方法，其特征在于，所述基于专家混合协同扩散算子学习的多任务逆成像方法包括： 获取用户输入的多个待处理图像，根据所有所述待处理图像的类型，对所有所述待处理图像进行归一化处理，得到图像张量； 将所述图像张量输入分支网络，所述分支网络对所述图像张量进行自适应平均池化，生成所述图像张量的多个池化特征，并对所有所述池化特征进行融合，输出分支特征表示； 将所述分支特征表示输入特征融合模型进行维度调整和特征精炼，输出高维特征表示，并通过输出头将所述高维特征表示映射到目标图像控件，得到目标重建图像； 提取所述图像张量的空间坐标，并将所述空间坐标分别输入不同类型的专家主干网络中，分别输出对应的专家特征表示； 将所述空间坐标输入门控网络，所述门控网络输出每个所述专家主干网络对应的权重张量； 构建重建损失函数和几何损失函数，并根据所有所述权重张量和所有所述专家特征表示构建专家多样性损失函数，根据所述重建损失函数、所述几何损失函数和所述专家多样性损失函数对已构建的特征融合模型进行优化； 所述构建重建损失函数和几何损失函数，并根据所有所述权重张量和所有所述专家特征表示构建专家多样性损失函数，根据所述重建损失函数、所述几何损失函数和所述专家多样性损失函数对已构建的特征融合模型进行优化，具体包括： 获取所述目标重建图像与所述待处理图像之间的像素级差异，根据所述像素级差异构建重建损失函数： ； 其中，表示重建损失函数，表示目标重建图像，表示待处理图像，表示像素总数，表示像素索引，表示第个目标重建图像，表示第个待处理图像； 获取曲率驱动扩散模型中的曲率匹配损失和梯度匹配损失，根据所述曲率匹配损失和所述梯度匹配损失，构建几何损失函数： ； 其中，表示几何损失函数，表示曲率匹配损失的权重，表示曲率匹配损失，表示梯度匹配损失的权重，表示梯度匹配损失； 根据所有所述权重张量，构建所述专家主干网络的权重，并根据所有所述专家特征表示，构建专家多样性损失函数； 根据所述重建损失函数、所述几何损失函数和所述专家多样性损失函数，构建总损失函数，并根据所述总损失函数对所述分支网络、所述特征融合模型和所有所述专家主干网络进行梯度优化： ； 其中，表示总损失函数，表示分支网络、特征融合模型或专家主干网络模型参数，表示几何损失函数的权重，表示专家主干网络的权重，表示专家多样性损失函数，表示专家主干网络的数量，表示第个专家主干网络输出的专家特征表示，表示专家主干网络的数量索引。

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深圳北理莫斯科大学，其通讯地址为：518172 广东省深圳市龙岗区龙城街道大运新城国际大学园路1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”。