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！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于分布估计的条件生成对抗网络文本生成图像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：CN114332565B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202111670694.6，技术领域涉及：G06V10/774；该发明授权一种基于分布估计的条件生成对抗网络文本生成图像方法是由俞俊;刘贝利;丁佳骏;范建平;付圣祺;沈铭设计研发完成，并于2021-12-31向国家知识产权局提交的专利申请。

本一种基于分布估计的条件生成对抗网络文本生成图像方法在说明书摘要公布了：本发明公开了一种基于分布估计的条件生成对抗网络文本生成图像方法用。本发明步骤如下：步骤1、数据预处理，提取文本数据的特征；步骤2、建立多阶段的无条件和有条件联合生成对抗神经网络和损失函数；步骤3、引入基于分布估计的损失函数；步骤4、模型训练；根据得到的新的损失函数，在训练过程中对判别器Di和生成器Gi进行交替训练。本发明损失隐式地体现了单个文本生成无限次图像的影响，优化的目标为单个文本描述生成图像的特征分布。通过估计单个文本描述生成的图像的特征分布，来实现损失计算及梯度信息回传。在多个模型和数据集上的实验表明，基于分布估计的新损失函数能够有效提升文本生成图像模型的性能。

本发明授权一种基于分布估计的条件生成对抗网络文本生成图像方法在权利要求书中公布了：1.一种基于分布估计的条件生成对抗网络文本生成图像方法，其特征在于包括如下步骤：步骤1、数据预处理，提取文本数据的特征；步骤2、建立多阶段的无条件和有条件联合生成对抗神经网络和损失函数；步骤3、引入基于分布估计的损失函数；步骤4、模型训练；根据得到的新的损失函数，在训练过程中对判别器Di和生成器Gi进行交替训练；步骤2具体实现如下：2-1采用DM-GAN作为基准模型，多阶段的层叠网络通过堆叠生成器和判别器来提高图像的分辨率；对于模型的生成器，给定随机噪声z～N0,1和条件变量c，维度分别是100和256维；通过F0和Fi得到下一阶段生成器的输入h0＝F0c,z、hi＝Fihi-1,z，hi-1输入下一阶段生成器网络Fi得到hi，其中Fi是生成器中的神经网络；F0由一个全连接层和四层卷积网络构成，Fi由动态内存写入机制、两个残差模块和一个卷积层构成；对于生成器Gi，生成多阶段分辨率的图像的分别率大小分别是64×64,128×128和256×256；2-2联合有条件和无条件生成对抗神经网络共同训练，模型的目标函数包含两项内容，分别是无条件损失和条件损失；第i个阶段判别器Di的损失定义如下： 相应的第i个阶段的生成器Gi的损失也是由两部分的损失组成， 其中xi是来自第i个阶段真实图像分布的图像，si是生成器Gi生成的第i阶段的虚假图像，c是条件变量，E表示求数学期望；步骤3具体实现如下：为了实现对单个文本描述生成的图像进行整体优化，使用之前推导出的新的损失函数，该损失为一个易于计算的上界，是以概率分布的形式来隐式体现单个文本生成大量图像的影响；生成器的损失定义如下： 其中wu，bu和wc，bc分别是无条件和有条件生成对抗神经网络的判别器网络最后一层的权重和偏差；是无条件生成对抗神经网络生成的图像，经过判别器Di最后一层网络前的特征；是条件生成对抗神经网络生成的图像，经过判别器Di最后一层网络前的特征；其中i表示第i个阶段，E表示求相应的数学期望，N表示样本个数；假定单个文本描述生成的图像的特征都属于一个高斯分布，即和这里通过单个文本描述生成M′次图像的来估计两个分布的均值和协方差矩阵，其中M′＝4；生成器的损失在M趋向无穷后，推导出一个易于计算的形式，生成器的无条件损失和条件损失最后分别定义为如下： 对于判别器Di的条件和无条件损失，通过同样的数学推导得到相应的损失上界，即： 其中αi和βi是真实图像经过判别器网络的得到的特征；wu，bu和wc，bc分别是无条件和有条件生成对抗神经网络的判别器网络最后一层的权重和偏差；和分别是特征和所属的高斯分布的均值，和分别是特征和所属的高斯分布的协方差；N表示样本个数；最后根据引入概率分布来构成损失函数，对每个阶段的判别器Di和生成器Gi都使用基于分布估计的新损失函数，其中i＝0,1,2。

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，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。