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！

龙图腾网恭喜西南石油大学申请的专利基于叠加融合结构信息和密集多尺度特征的图像修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：CN117078523B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202310703775.4，技术领域涉及：G06T5/77；该发明授权基于叠加融合结构信息和密集多尺度特征的图像修复方法是由李志丹;魏添;程吉祥;陈周;任樱设计研发完成，并于2023-06-14向国家知识产权局提交的专利申请。

本基于叠加融合结构信息和密集多尺度特征的图像修复方法在说明书摘要公布了：本发明公开了基于叠加融合结构信息和密集多尺度特征的图像修复方法，包括如下步骤：首先对公开数据集进行处理得到融合结构信息；然后建立叠加融合结构信息和密集多尺度特征的图像修复网络，利用融合结构信息重构和图像特征重构共享的生成器同时修复融合结构信息和生成图像特征；利用改进的密集多尺度特征融合模块增大网络的感受野并使用空洞卷积提取丰富多尺度信息；设置优化策略训练修复网络并采用联合损失约束网络优化方向；利用训练好的图像修复模型及模型权重参数对破损图像进行修复及效果评估；本发明能够更好地表征图像结构信息，使得修复后的图像具有更合理的结构及更真实的视觉效果，主客观测试评价结果均证明了本发明方法的有效性。

本发明授权基于叠加融合结构信息和密集多尺度特征的图像修复方法在权利要求书中公布了：1.基于叠加融合结构信息和密集多尺度特征的图像修复方法，其特征在于，包括以下步骤：步骤S1：获取包括图像数据集和掩码数据集的实验数据集，其中图像数据集和掩码数据集均分别包括训练集和测试集；步骤S2：对图像数据集中训练集图像进行处理得到融合结构信息，所述处理方式为首先分别使用Canny算子和边缘保持的平滑方法提取训练集图像的边缘图像和边缘保持的平滑图像，然后使用元素级叠加方式融合边缘图像和边缘保持的平滑图像以构成融合结构信息；步骤S3：建立基于叠加融合结构信息和密集多尺度特征的图像修复网络，所述图像修复网络包括融合结构信息重构和图像特征重构共享的生成器和融合结构信息判别器；所述融合结构信息重构和图像特征重构共享的生成器融合结构信息重构和图像特征重构共享的生成器用于同时进行融合结构信息的修复和掩码更新，并使用已修复的融合结构信息、掩码引导图像特征的生成，其以P-Unet架构为基础模型，从前至后依次设置2个融合结构信息嵌入模块、1个部分卷积编码层、8个改进的密集多尺度特征融合模块、1个像素级注意力层、1个部分卷积加转置卷积的解码层、配置了转置卷积的融合结构信息嵌入解码模块、融合结构信息嵌入解码模块、1个瓶颈层和1个卷积层；所述融合结构信息嵌入模块包括融合结构重构层和图像特征重构层，所述融合结构重构层由部分卷积层、瓶颈层、和卷积层组成，图像特征重构层由部分卷积层组成；所述1个部分卷积编码层采用卷积核为3，步幅为1，填充为1的部分卷积，仅改变通道数，而特征图尺寸不改变；所述8个改进的密集多尺度特征融合模块采用卷积核为3，步幅为1，填充为1的部分卷积；改进的密集多尺度特征融合模块第一层卷积用于将输入特征的通道变为原来的四分之一，以减少参数量；第二层为由不同空洞系数的空洞卷积构建的四条分支，第一层卷积输出的特征将被送入第二层以提取多尺度特征，经四条分支处理的特征表示为xii＝1,2,3,4；在第二层中除x1外，每个分支特征与上一个分支特征叠加组合后输入3×3的卷积Ki·处理，对于每个卷积Ki·的输出yi，其计算过程如下式所示： 随后将所有的输出特征yi在通道维级联后输入1×1的卷积改变通道数以保持与输入特征的通道数一致，接着将两特征进行元素级累加操作，为配合无规则掩码修复，将叠加后的特征再输入3×3的部分卷积层；第一层卷积和通道维级联后面采用实例正则化层和ReLU激活层，1×1卷积后仅采用实例正则化层；所述融合结构信息判别器为SN-PatchGAN，此外还采用光谱归一化以稳定GAN的训练过程，融合结构信息判别器由3层卷积核为4，步幅为2，填充为1的卷积和2层卷积核为4，步幅为1，填充为1的卷积组成，除最后一层省略外，前4层后均配置负斜率为0.2的LeakyReLU激活函数，网络最后输出为的矩阵，M、N分别为输入特征图的高和宽；所述融合结构信息判别器用于对修复后的融合结构信息块的真伪进行判别；步骤S4：将步骤S1中获取的图像数据集和掩码数据集中训练集图像和步骤S2经过元素级叠加方式得到的融合结构信息输入步骤S3建立的图像修复网络进行训练；设置优化策略训练所述网络并采用联合损失约束网络优化方向，联合损失包括有效区域重建损失Lvalid、缺失区域重建损失Lhole、感知损失Lperceptual、风格损失Lstyle、总变分损失Ltv和对抗损失通过不断迭代训练，直到网络最终收敛，并保存网络训练权重参数，得到最终的图像修复模型；步骤S5：将步骤S1中获取的图像数据集和掩码数据集中测试集图像输入到步骤S4训练后的图像修复模型中，得到修复后的图像。

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西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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”。