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基于多粒度空洞卷积神经网络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：CN118212135B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202410002191.9，技术领域涉及：G06T5/00；该发明授权基于多粒度空洞卷积神经网络的图像修复方法是由张新;殷昱煜;王东京;王洪波;李尤慧子;周丽设计研发完成，并于2024-01-02向国家知识产权局提交的专利申请。

本基于多粒度空洞卷积神经网络的图像修复方法在说明书摘要公布了：本发明公开了基于多粒度空洞卷积神经网络的图像修复方法，该方法首先将数据集划分为训练集和测试集，并进行预处理，构造待修复图像。其次将训练集中待修复图像输入到编码器，得到特征图Fin。然后将特征图Fin输入到多粒度残差模块，提取图像中的多尺度特征图，级联多个多粒度残差模块构成多粒度特征提取模块，得到特征图Flow。最后将特征图Flow输入到两个通道自适应上采样卷积模块中，再输入到一个卷积模块，得到缺失部分填充完整的图像I，并通过图像级损失及特征级损失进行参数优化。本发明增强了特征提取能力，使得修复后的图像特征更加丰富，并通过自适应像素重排技术提升了填充像素的准确率。

本发明授权基于多粒度空洞卷积神经网络的图像修复方法在权利要求书中公布了：1.基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，包括以下步骤： S1.将数据集划分为训练集和测试集，并进行预处理，构造待修复图像Iin； S2.将训练集中待修复图像Iin输入到编码器，得到特征图Fin； S3.将特征图Fin输入到多粒度残差模块，提取图像中的多尺度特征图F；具体过程如下： S31.将特征图Fin输入到细粒度特征提取分支，得到细粒度特征图Ffine： Ffine＝frn…fri…fr2fr1Fin 其中，fri表示第i个细粒度空洞卷积模块，其包括空洞卷积层、批标准化层及ReLU激活函数层；对于该模块中的每个空洞卷积层，将其空洞率设置为互质的数值； S32.将特征图Fin输入到粗粒度特征提取分支，得到粗粒度特征图Fcoarse： Fcoarse＝fcn…fci…fc2fc1Fin 其中，fci表示第i个粗粒度空洞卷积模块，其包括空洞卷积层，批标准化层及ReLU激活函数层；对于该模块中的每个空洞卷积层，将其空洞率设置为互质的数值，并大于对应第i个细粒度空洞卷积模块设置的空洞率； S33.将细粒度特征图和粗粒度特征图在通道维度进行级联，再输入到1×1的卷积层f1×1·，得到卷积特征图Fc； S34.对卷积特征图Fc自适应学习其通道权重，得到权重向量A； S35.将权重向量A作用于卷积特征图Fc，并结合残差跳跃连接得到多粒度残差模块的输出F： 其中，表示逐元素乘积； S4.通过级联多个多粒度残差模块，构成多粒度特征提取模块，得到特征图Flow； S5.将特征图Flow输入解码器：先经过两个顺序连接的通道自适应上采样卷积模块，再输入到一个卷积模块，得到缺失部分填充完整的图像I； 所述的通道自适应上采样卷积模块具体过程如下： S51.将特征图Flow输入到卷积层进行特征提取，得到特征图F′low； S52.对特征图F′low进行像素重排得到特征图Fh，特征图的空间分辨率放大两倍，通道数目缩小4倍； S53.对特征图Fh执行步骤S34，得到通道注意力向量A′，将通道注意力作用于特征图，得到特征图F′h： S54.将特征图F′h输入到批标准化层及leakyReLU激活函数层，得到上采样卷积模块所输出的特征图Fhigh； S6.计算损失，通过图像级损失及特征级损失进行参数优化。

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 浙江省杭州市钱塘区白杨街道2号大街1158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”。