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因果蒸馏的无参考图像质量评价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：CN116843658B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202310830307.3，技术领域涉及：G06T7/00；该发明授权基于因果蒸馏的无参考图像质量评价方法是由路文;赖言;梁泽红;叶珂源;郑永;何立火设计研发完成，并于2023-07-07向国家知识产权局提交的专利申请。

本基于因果蒸馏的无参考图像质量评价方法在说明书摘要公布了：本发明提出一种基于因果蒸馏的无参考图像质量评价方法，实现步骤为：获取训练样本集和测试样本集；构建基于因果蒸馏的无参考图像质量评价网络模型；对基于因果蒸馏的无参考图像质量评价网络模型进行迭代训练；获取无参考图像质量评价结果。本发明根据因果蒸馏的策略构建的因果蒸馏子网络，在训练过程中调整特征权重，有效避免了现有技术在迁移学习中由于蒸馏损失而产生的灾难性遗忘问题，使模型在面对多个数据集时具有良好的预测精度，有效提高了无参考图像质量评价的精度。

本发明授权基于因果蒸馏的无参考图像质量评价方法在权利要求书中公布了：1.一种基于因果蒸馏的无参考图像质量评价方法，其特征在于，包括如下步骤： 1获取训练样本集和测试样本集： 获取L幅维度为W×H×C的RGB图像及每幅图像Il的主观质量分数标签sl，并将M幅RGB图像及其对应的主观质量分数标签组成训练样本集TM＝{Im,sm|1≤m≤M}，将剩余的N幅RGB图像及其对应的主观质量分数标签组成测试样本集TN＝{In,sn|1≤n≤N}，其中，L≥1000，W、H和C分别表示RGB图像的宽度、高度和通道数，W≥224,H≥224，C≥3，M+N＝L； 2构建基于因果蒸馏的无参考图像质量评价网络模型G： 构建包含顺次连接的图像局部特征提取子网络R、因果蒸馏子网络D、图像局部特征全局关联子网络T和图像质量预测子网络P，且损失函数为Loss的无参考图像质量评价网络模型G；其中，R包含顺次连接的卷积层、池化层和多个特征提取单元U，U包含顺次连接的多个卷积层和自适应平均池化层；D包含并行排布的与特征提取单元U个数相同的多个MLP混频器M，M包含多个经典的Vision MLP单元；T包含顺次连接特征拼接层和全局池化层；P包含多个层叠的全连接层；其中Loss的表达式为： L1＝|si‑fIi|G|L2＝max0,‑si‑sj·fIi|G‑fIj|G其中，B表示每次训练选取的训练样本个数，Ii和Ij表示B中第i幅和第j幅RGB图像，si和sj表示Ii和Ij所对应的主观质量分数标签，fIi|G和fIj|G表示Ii和Ij的预测质量分数； 3初始化参数： 初始化迭代次数为k，最大迭代次数为K，K＞20，当前网络模型Gk的权值参数为θk； 4对基于因果蒸馏的无参考图像质量评价网络模型进行训练： 将从训练样本集TM中无放回地随机选取的B个训练样本作为当前无参考图像质量评价网络模型Gk的输入进行前向推理，包括如下步骤： 图像局部特征提取子网络R对每个训练样本进行Q次特征提取，得到每个训练样本的Q个深度特征Fb；因果蒸馏子网络D对下采样特征Fb进行因果蒸馏，得到包含因果信息的Q个因果蒸馏特征Hb；图像局部特征全局关联子网络T对Hb所包含的Q个因果蒸馏特征进行拼接后进行全局池化，得到每个训练样本对应的包含图像局部‑全局关联信息和因果干预信息的广度感知特征Eb；图像质量预测子网络P对Eb进行线性回归，得到每个训练样本的质量预测分数Sb，其中，B≥16,Q≥2； 5对网络模型的权值参数进行更新： 通过每个训练样本的质量预测分数Sb对网络模型Gk的权值参数θk进行更新，得到本次迭代的网络模型Gk； 6获取训练好的基于因果蒸馏的无参考图像质量评价网络模型G*： 判断k＝K是否成立，若是，得到训练好的基于因果蒸馏的无参考图像质量评价网络模型G*，否则，令k＝k+1，并执行步骤4； 7获取无参考图像质量评价结果： 将测试样本集TN作为训练好的基于因果蒸馏的无参考图像质量评价网络模型G*的输入进行前向推理，得到每个测试样本的质量预测分数SN。

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 陕西省西安市雁塔区太白南路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”。