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！

龙图腾网获悉南京理工大学申请的专利基于半监督学习和动态感知注意力U型网络的雾霾图像恢复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：CN120070259B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202411968665.1，技术领域涉及：G06T5/77；该发明授权基于半监督学习和动态感知注意力U型网络的雾霾图像恢复方法是由李军;宛春林;单梁;张永;王力立设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本基于半监督学习和动态感知注意力U型网络的雾霾图像恢复方法在说明书摘要公布了：本发明公开了基于半监督学习和动态感知注意力U型网络的雾霾图像恢复方法，方法步骤如下：首先，结合可变形卷积和注意力机制，设计了一种动态感知注意力U型网络，可以有效感知雾图中的雾霾密度分布。然后，构建有监督分支，使用合成数据集训练网络，确保模型具备基本的去雾能力；接着，为了提升在自然雾霾图像上的泛化能力，进一步构建了无监督学习分支，利用自然图像的统计特性对网络进行微调；最后，使用训练完成的去雾网络，将雾霾图像作为输入，端到端地恢复无雾图像。与其他方法相比，本发明的去雾方法有效改善了图像去雾后的噪声和颜色失真问题，恢复后的图像在视觉质量上更加出色，具有良好的实用性和应用前景。

本发明授权基于半监督学习和动态感知注意力U型网络的雾霾图像恢复方法在权利要求书中公布了：1.基于半监督学习和动态感知注意力U型网络的雾霾图像恢复方法，其特征在于，所述方法包括： 步骤A，构建去雾网络即动态感知注意力U型网络的整体架构；U型网络从输入端到输出端分为编码部分、特征转换部分和解码部分，能够端到端地输出无雾图像； 步骤A包括：步骤A1，构建U型网络的编码器，获取多语义的特征层；其中，编码器使用3×3卷积层调整通道数，使用可变形卷积残差块动态提取输入图像特征，使用步长为2的3×3卷积层下采样；可变形卷积残差块和下采样层重复两次，总共获取三个不同尺度的特征层； 步骤A2，构建特征转换部分，基于步骤A1编码过程获取的最小尺寸特征层进行特征转换，提取低分辨率特征层的多通道语义信息；特征转换部分包括串联的可变形卷积残差块和层级特征融合模块；其中，层级特征融合模块HierarchicalFeatureFusionwithAttention，HFFA包括内容引导注意力机制和一个1×1卷积层组成，能够混合浅层和深层特征信息； 层级特征融合模块的结构使用编码过程中下采样之后的低级特征层和相应层级的高级特征层作为输入，将两层特征相加，混合高级语义信息和低级语义信息；然后使用内容引导注意力计算空间重要性图，再与各自特征图相乘得到精炼特征图；最后将两张原始特征图和两张精炼特征图相加，再经过一个1×1卷积层，得到最终的融合特征图；用公式表述如下： 其中，Ffuse表示融合特征图，Flow和Fhigh分别表示底层特征和相应的高层特征，W表示经过内容引导注意力获取的空间重要性图，为1×1的卷积层； 步骤A3，构建U型网络的解码器，基于步骤A2获取的融合特征图逐步进行特征恢复和特征融合；其中，编码器使用可变形卷积残差块提取特征，使用步长为2的3×3反卷积层进行上采样，上采样和可变形卷积残差块重复两次，获取三个对应尺度的特征层；最后使用3×3卷积层调整通道数为3，输出无雾图像；其中，在上采样之前会使用层级特征融合模块再一次融合步骤A1中下采样之后的特征层； 步骤B，构建有监督学习分支，对去雾网络进行有监督训练；使用合成雾霾图像作为去雾网络的输入，使用真实世界的干净图像作为标签，采取均方差损失、感知损失和对抗损失进行有监督训练； 步骤C，构建无监督学习分支，对去雾网络进行无监督训练；使用自然雾霾图像作为去雾网络的输入，并采取暗通道损失、全变分损失进行无监督训练； 步骤D，利用经过步骤B和步骤C训练完成的动态感知注意力U型网络，输入雾霾图像，端到端输出无雾图像。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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。