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！

龙图腾网获悉杭州电子科技大学丽水研究院申请的专利一种基于深度学习的无监督图像去摩尔纹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：CN119722515B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411781153.4，技术领域涉及：G06T5/73；该发明授权一种基于深度学习的无监督图像去摩尔纹方法是由刘仲琦;颜成钢;高宇涵;孙垚棋;盛熙淳;赵强设计研发完成，并于2024-12-05向国家知识产权局提交的专利申请。

本一种基于深度学习的无监督图像去摩尔纹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的无监督图像去摩尔纹方法，首先准备无需配对的摩尔纹图像及清晰图像；构建图像去摩尔纹的无监督网络模型，模型基于生成对抗网络架构，并结合了对比学习方法，包括生成器、判别器和内容编码器。然后对构建的图像去摩尔纹网络模型进行无监督训练。本发明创新的提出了从非配对的数据集中也能学习到从摩尔纹图像到清晰图像的映射关系，避免了收集真实世界的配对图像的繁琐工作。实验表明，本发明能在非配对的数据集上实现很好的去摩尔纹效果。

本发明授权一种基于深度学习的无监督图像去摩尔纹方法在权利要求书中公布了：1.一种基于深度学习的无监督图像去摩尔纹方法，其特征在于，步骤如下： 步骤1：准备无需配对的摩尔纹图像及清晰图像； 步骤2:构建图像去摩尔纹的无监督网络模型； 网络模型基于生成对抗网络架构，并结合了对比学习方法；网络模型包括生成器、判别器和内容编码器； 步骤3:通过步骤1获得的图像数据集对构建的图像去摩尔纹网络模型进行无监督训练； 步骤4：经过训练的图像去摩尔纹网络中的生成器接收需要进行去摩尔纹处理的验证数据集图像，完成去摩尔纹处理后将图像输出； 生成器的具体结构：生成器由两部分组成，分别为encoder模块和decoder模块； encoder模块和decoder模块之间采用跳跃连接避免梯度消失； encoder模块具体结构：encoder模块首先采用7×7卷积和2倍双线性下采样操作将输入的摩尔纹图像编码为低分辨率特征图；然后，再次使用5×5卷积和2倍双线性下采样操作将特征图分辨率进一步降低；最后，采用5个残差块在低分辨率空间中提取更复杂、更深的特征； decoder模块具体结构：decoder模块接受来自encoder模块的深层次输出特征，首先使用4个残差块对来自encoder模块的特征进行处理，然后使用2倍双线性上采样和3×3卷积对图像特征逐步恢复，最后再次使用2倍双线性上采样和3×3卷积将图像特征恢复到原始图像大小，并完成清晰图像输出； 步骤3具体方法如下： 网络模型的训练方式为首先输入步骤1中准备的摩尔纹图像；然后，通过设计的网络模型中的生成器得到所需要的经过去摩尔纹处理的图像；最后，利用对比损失、内容损失、生成器损失和判别器损失函数不断优化模型输出的经过去摩尔纹处理的图像，使其在风格上逐步靠近清晰图像，远离摩尔纹图像； 训练过程中，损失函数L包含四部分，分别为对比损失、内容损失、生成器损失和判别器损失； 具体地，对比损失如下构造： 从输入图像中随机选择N+1个patch，从输出图像中随机选择一个对应的patch；将两个对应的patch表示为正样本和锚点，中的其他N个patch表示为负样本； 然后，使用一个对比损失函数来最大化正样本和锚点之间的互信息；具体来说，首先将锚点、正样本和N个负样本使用两层MLP映射到k维向量，并分别表示为、和；之后，建立一个交叉熵损失: 其中，simu,v表示u和v之间的余弦相似性，表示温度参数，设置为0.07，表示第n个负样本； 同时，还提取输入图像和输出图像经过encoder模块不同层之后的深度特征用于构建对比损失，提取encoder模块中第1个卷积层、第2个卷积层、第1个残差块和第5个残差块之后的特征用于构建多层对比损失，分别表示为，，，； 因此，最终的对比损失为： 具体地，内容损失构造如下： 其中，表示内容编码器，||*||1表示L1损失； 具体地，生成器损失如下： 其中，D表示判别器； 具体地，判别器损失如下： 其中，表示非配对的真实清晰图像。

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杭州电子科技大学丽水研究院，其通讯地址为：323010 浙江省丽水市莲都区南明山街道大沅街与绿源路交叉口东北侧半导体芯片产业园3号楼；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”。