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！

龙图腾网获悉之江实验室申请的专利一种解构图像生成网络中层表征的方法和装置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：CN116452945B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202310210844.8，技术领域涉及：G06V10/82；该发明授权一种解构图像生成网络中层表征的方法和装置是由李超;耿浩棒;王劲;姚柯璐设计研发完成，并于2023-03-07向国家知识产权局提交的专利申请。

本一种解构图像生成网络中层表征的方法和装置在说明书摘要公布了：本发明公开了一种解构图像生成网络中层表征的方法和装置，属于生成式对抗网络及可解释性应用技术领域。本方法将传统的GAN修改为可解释的GAN而不需要手动标注语义特征。该发明设计一种残差函数来优化通过解构中层表征来增强模型可解释性。本发明提出的方法可以实现无监督学习，使得每组滤波器自觉学习一致的视觉概念的图像区域，同时避免了人为标注语义的操作，更符合神经网络内部真实特性。

本发明授权一种解构图像生成网络中层表征的方法和装置在权利要求书中公布了：1.一种解构图像生成网络中层表征的方法，其特征在于，包括以下步骤： 1给定生成对抗网络的生成器G，构建高斯混合模型来对G的任一层进行分组，使得每一组的滤波器独立生成相同图像区域；包括： 步骤1.1，建立高斯混合模型；具体公式如下： Θ为建立的高斯混合模型，之后求解模型参数即可； 其中x代表选定目标层的滤波器；K代表混合模型中子高斯模型的数量，即为聚类数目；k＝1,2,…,K；pk代表选定filter属于第k类的概率，φx∣θk代表第k类的分布，其本身满足一个高斯模型的分布；μk为第k个子高斯模型的均值，σk为第k个子高斯模型的方差； 步骤1.2、建立GMM的优化目标即为多样本聚类似然函数，具体表示如下： LΘ即为建立似然函数，通过最大化似然函数来学习高斯混合模型参数{pk,μk,σ2}∈Θ，其中s＝1,2,…S，S代表样本图片数目j＝1,2,…,N，N代表选定目标层滤波器数目，Xj代表目标层的第j个滤波器； 步骤1.3、利用EM算法估计GMM参数；包括以下子步骤： 步骤1.3.1、隐变量说明 其中zj∈{1,2,...,K}代表对与第j个滤波器所属类别；k∈{1,2,...,K}代表对滤波器分组的组数；Θ为建立的GMM模型参数；s＝1,2,…S，S代表样本图片数目；代表第s个样本的k个滤波器 步骤1.3.2、E步：计算期望及后验概率 E步为根据当前GMM参数，计算第s个样本的第j个filter属于类别k的概率；其中，代表第s个样本第k个滤波器， θk为第k个高斯模型的参数，表示在当前模型参数下，样本图片的第j个滤波器来自第k组概率； 步骤1.3.3、M步：计算模型参数 其中分别代表第k个高斯模型的均值和方差；代表每个高斯模型的权重；表示在当前模型参数下，样本图片的第j个滤波器来自第k组概率；代表第s个样本第k个滤波器 s＝1,2,…S，S代表样本图片数目j＝1,2,…,N，N代表选定目标层滤波器数目，k＝1,2,…K代表所有的组数； 步骤1.3.4、检查GMM聚类次数是否到达最大步骤或者最大似然估计的变化量小于设定阈值，如果满足条件则认为聚类已完成，否则返回步骤1.3.2； 2建立能量模型来表示生成图像真实性；具体为：设置能量函数为选定层的每个滤波器输出的特征图和其所属组的特征图点乘并乘以能量模型参数，以增强GAN生成图像的真实性；设计loss如下： 其中，z代表能量模型对GAN输入隐向量优化后得到的filter，fGz代表目标层的特征图，Q代表GMM聚类分组的结果，PWfGz∣Q为确定分类Q后的能量模型，λ1为权重设计，L·为指示函数，ZW＝∫expgWfGzP0zdz用于归一化，其中z～N0,σ2Id代表z满足高斯分布，Id代表d维单位矩阵；σ2代表方差； gWfGz为能量函数，作为生成图像真实性的衡量指标； 其中，fj代表第j个滤波器输出的特征图，代表第c类的聚类中心输出的特征图，Wjc代表能量模型参数； 3设计残差函数使得同一组滤波器中的每个滤波器都能独立生成相同的图像区域以及不同组滤波器生成图像区域的独立性；具体为：对能量模型参数进行优化使得当第j个滤波器属于第c类时，使得能量模型参数Wjc0，当第j个滤波器不属于第c类时，使得能量模型参数Wjc＜0；具体表示为： 4整体残差函数设计，通过将GAN训练的loss和优化EBM的loss以及使得目标层层滤波器解构的loss融合起来从而实现优化的目的；包括： 引入loss为： 其中，λ2,λ3为权重，为实现目标层滤波器分组，为增加生成图像的真实性，为增加可解释性； L为整体残差函数，λ0为权重； 其中为GAN的loss， 总体loss优化为： 5能量模型模型优化,采用EBM和GAN交替训练方式，通过交替多次训练EBM和GAN，直至满足每一类滤波器可以确定的代表一类视觉概念； 所述步骤3中，一个组内所有滤波器独立生成相同的图像区域，即滤波器属于第c类；不同的滤波器生成不同的图像区域，即滤波器不属于第c类。

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之江实验室，其通讯地址为：311121 浙江省杭州市余杭区中泰街道之江实验室南湖总部；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。