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！

龙图腾网恭喜山东师范大学申请的专利基于纹理导向的梯度权重损失和注意力机制超分辨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：CN114943646B 。

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：202210636553.0，技术领域涉及：G06T3/4007；该发明授权基于纹理导向的梯度权重损失和注意力机制超分辨方法是由孙建德;王海涛;李静;万文博设计研发完成，并于2022-06-07向国家知识产权局提交的专利申请。

本基于纹理导向的梯度权重损失和注意力机制超分辨方法在说明书摘要公布了：本发明公开了一种基于纹理导向的超分辨方法，主要解决了现有技术中由低分辨率图像生成高分辨率图像会出现高频细节丢失较为严重的问题。主要步骤为：1获得成对的高分辨率和低分辨率图像训练数据。2构建图像超分辨网络，特别用到了注意力机制去衡量每个通道之间的权重将特征进行融合，对生成器网络进行训练，同时使用梯度权重损失约束在纹理导向对训练进行约束。3利用步骤2所训练的生成器，训练相对判别器以微调生成器网络，得到最终的图像超分辨网络模型。4输入低分辨率图像，经过图像超分辨率模型，输出高分辨率生成图像。本发明能更准确的从低分辨率图像中恢复高频细节信息，可用于目标识别，图像分类等领域。

本发明授权基于纹理导向的梯度权重损失和注意力机制超分辨方法在权利要求书中公布了：1.一种基于纹理导向的梯度权重损失和注意力机制超分辨方法，构建基于CNN的图像超分辨网络模型，包括一个用于生成图像的生成器，一个用来鉴别生成图像真实性的判别器，生成器通过对输入的低分辨率图像提取特征后，进行非线性的特征映射，通过注意力机制计算特征图之间的相关性，重新分配每个特征图的权重，经过一个注意力机制的图像重建模块来获得高分辨率图像，梯度权重损失在纹理导向对训练过程进行约束，该方法具体包括如下步骤：1构建数据集：获取数据集中的高分辨率图像，其中低分辨率图像由对高分辨率图像采样得到，获得成对的训练数据，具体公式如下：x＝FyF代表下采样操作，x代表低分辨率图像，y代表高分辨率图像；2构建图像超分辨模型，训练生成器：该模型由生成器和判别器两个分支网络组成，包括：浅层特征提取模块、非线性映射模块以及注意力机制的图像重建模块、判别器模块；其中，浅层特征提取模块由卷积层组成，非线性映射模块由残差密集网络组成，注意力机制的图像重建模块由注意力模块和上采样模块组成；通过CNN实现对特征的提取与映射，最后将获取的特征进行加权重建获得高分辨率图像；构建目标方程：生成器使用生成对抗网络损失LG以及梯度权重损失约束，具体公式如下： 其中，生成对抗网络损失具体公式如下： 生成对抗网络损失中的L1＝||y-fx||，fx代表生成图像，y代表高分辨率图像，λ表示损失参数，Lper为感知损失，具体公式为：Lper＝‖φy-φ[fx]‖其中，φy,φfx表示CNN提取到的真实图像和生成图像的特征； 为生成器的对抗损失，具体公式为： 是判别器，Xr,Xf分别表示真实图像和生成图像，输出是被判别为真实图像的概率；表示函数分布的期望；梯度权重损失具体公式如下： 其中，L1＝||y-fx||，fx代表生成图像，y代表真实图像；其中Dx,Dy表示在水平和垂直方向上生成图像和高分辨率之间的梯度差分图，表示生成图像的梯度图像，表示真实图像的梯度图像，α是在损失函数中的权重系数；3训练判别器：在生成器初步训练完成后，开始训练判别器来微调生成器，使用相对判别器代替标准判别器，用以生成更具真实性、质量更好的图像，下式是判别器损失函数： 其中，是判别器，输入真实图像与生成图像，输出被判别为真实图像的概率，表示函数分布的期望；4高分辨率图像输出：输入低分辨率图像，经过训练好的图像超分辨率网络模型，输出高分辨率图像，公式如下：Y＝FSRx其中，x是输入的低分辨率图像，FSR是训练好的图像超分辨率模型，Y是输出的高分辨率图像。

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山东师范大学，其通讯地址为：250014 山东省济南市文化东路88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”。