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！

龙图腾网获悉浙江大学申请的专利一种基于神经网络二阶辛克霍恩梯度流加速图像生成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：CN119416852B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411467590.9，技术领域涉及：G06N3/084；该发明授权一种基于神经网络二阶辛克霍恩梯度流加速图像生成方法是由朱胡旻昊;王方懿康;张超;赵涵斌;钱徽设计研发完成，并于2024-10-21向国家知识产权局提交的专利申请。

本一种基于神经网络二阶辛克霍恩梯度流加速图像生成方法在说明书摘要公布了：本发明公开了一种基于神经网络二阶辛克霍恩梯度流加速图像生成方法。本发明利用神经二阶辛克霍恩梯度流2‑NSGF模型，参数化二阶沃森斯坦梯度流中与辛克霍恩散度相关的时间变化动量场，从而实现高效推断和仿真。通过对源和目标分布样本的利用，2‑NSGF模型可以实时生成和细化仿真数据，降低传统方法的计算复杂度。此外，通过引入两阶段2‑NSGF++模型，进一步优化了处理高维数据集的效率，提高了仿真精度和速度。本发明提供了一种高效的数据处理技术，适用于机器学习领域的多种应用，如图像生成、风格迁移和音频‑文本转换等。本发明显著提高了图像生成效率；无需依赖核函数，降低了复杂度；提升了样本质量和生成稳定性。

本发明授权一种基于神经网络二阶辛克霍恩梯度流加速图像生成方法在权利要求书中公布了：1.一种基于神经网络二阶辛克霍恩梯度流加速图像生成方法，其特征在于，包括如下步骤： 数据准备，获取目标图像数据集和通过随机方法采样得到的同分辨率噪声或者同分辨率的初始图像数据集； 根据所述目标图像数据集和初始图像数据集，构建离散化图像二阶辛克霍恩梯度流；所述梯度流包括二阶辛克霍恩梯度求解和迭代、小批量二阶辛克霍恩梯度流技术和轨迹池构建技术，其中，所述二阶辛克霍恩梯度求解和迭代包括当前中间图像对于目标图像辛克霍恩梯度求解以及当前中间图像迭代更新； 其中，所述构建离散化图像二阶辛克霍恩梯度流具体为：使用随机采样高斯噪声或同分辨率的初始图像数据集的随机采样，与目标图像数据集的采样进行匹配，构成小批量噪声-图像配对，随机设置初始速度场；使用辛克霍恩散度计算库计算所述小批量噪声-图像配对的辛克霍恩散度，并进行梯度求解，得到当前辛克霍恩散度的梯度作为当前动量场；使用所述当前动量场更新当前图像速度场，并通过更新后的速度场更新当前图像，构成新的小批量噪声-图像配对；存储当前小批量噪声对应的动量场、速度场；重复上述步骤，直到达到训练神经网络二阶辛克霍恩梯度流模型所需的数据量； 使用随机采样高斯噪声或同分辨率的初始图像数据集的随机采样，与目标图像数据集的采样进行匹配，构成小批量噪声-图像配对其中，上标i表示第i个配对，下标t表示时间序号，表示中间图像，t＝0表示是初始图像，t＝1表示是目标图像，表示共有n个配对构成小批量噪声-图像配对； 使用辛克霍恩散度计算库GeomLoss中geomloss.SamplesLoss函数计算小批量噪声-图像配对的辛克霍恩散度，其中函数具体使用如下：输入当前图像，目标图像参数设定loss＝sinkhorn；输出辛克霍恩散度其中S表示辛克霍恩散度，由于无论输入初始图像或者中间图像，目标图像并不发生改变，使用简写方式并使用PyTorch库中的Autograd函数进行梯度求解，其中函数具体使用如下：输入辛克霍恩散度，输出辛克霍恩散度的梯度作为当前动量场，其中表示梯度符号； 使用当前动量场更新当前速度场： 其中，是更新之后的速度场，上标i表示速度场对应的中间图像是表示当前速度场，下标t*,t表示中间时间；∈表示速度场更新速率，γ表示原速度场动量保持参数，是人为设定超参数，^表示当前均使用小批量更新； 使用当前速度场更新当前图像： 其中，是更新之后的图像，是当前中间，上标i表示i个中间图像，是更新之后的速度场,σ是控制图像更新的速率，是人为设定超参数； 存储当前小批量噪声对应的动量场，速度场：储存当前三元组 从初始图像或随机噪声开始，重复上述步骤，得到三元组序列其中，m表示共重复m次上述步骤构建离散化图像二阶辛克霍恩梯度流； 重复选取初始图像或随机噪声开始重新构建离散化图像二阶辛克霍恩梯度流，循环多次构建轨迹池； 使用经验回放技术和动量场匹配技术训练神经网络二阶辛克霍恩梯度流模型；通过对神经网络优化目标求解拟合指定动量场；所述神经网络二阶辛克霍恩梯度流模型输入输出为：输入当前中间图像，当前对应时间t，图像对应速度场，图像对应动量场；输出当前辛克霍恩散度的梯度； 采用阶段转换时间预测器，预测模型从当前状态到通用模型中间状态的最优时间点，以增强模型加速通用模型生成的适应性和响应速度； 使用二阶辛克霍恩梯度流加速图像生成，所述生成方法包括使用神经网络二阶辛克霍恩梯度流模型快速生成目标流行附近的中间图像，预测中间图像最优时间点，匹配通用基于扩散生成模型或流匹配模型生成图像。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。

以上内容由龙图腾AI智能生成。