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！

龙图腾网恭喜四川大学申请的专利基于多尺度通道金字塔残差注意的盲压缩图像超分重建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：CN115496652B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202110679946.5，技术领域涉及：G06T3/4046；该发明授权基于多尺度通道金字塔残差注意的盲压缩图像超分重建是由何小海;冯洁丽;任超;陈洪刚;王新欢;陈正鑫;滕奇志设计研发完成，并于2021-06-18向国家知识产权局提交的专利申请。

本基于多尺度通道金字塔残差注意的盲压缩图像超分重建在说明书摘要公布了：本发明公开了一种基于多尺度通道金字塔残差注意的盲压缩图像超分重建。主要包括以下步骤：分别训练压缩图像QF值分段预测子网络，QF分段去压缩效应子网络，图像超分子网络，采用级联三个子网络形成端到端的网络进行训练。将JPEG算法压缩下采样后的图像作为输入，通过上面训练的网络模型，得到最终超分辨率后的图像。在图像超分辨率特征提取阶段加入高效的多尺度通道金字塔残差注意力将不同通道信息，同一通道不同深度的图像特征加以融合，以恢复更多高频信息。本发明所述的方法可以有针对性地抑制JPEG压缩图像的块效应，重建高分辨率图像，取得的主观视觉效果和客观评价指标说明本发明是一种有效的压缩图像超分辨率复原方法。

本发明授权基于多尺度通道金字塔残差注意的盲压缩图像超分重建在权利要求书中公布了：1.基于多尺度通道金字塔残差注意的盲压缩图像超分重建，其特征在于包括以下步骤： 步骤一：针对未知质量因子的低分辨率压缩图像，提出盲压缩图像超分辨率模型，将压缩图像超分问题进行分解，得到一个压缩图像QF值分段预测子问题，一个QF分段去压缩效应子问题，一个图像超分子问题，并对这些问题分别求解； 步骤二：针对步骤一中所述的压缩图像QF值分段预测子问题，使用经过JPEG压缩算法生成的不同QF段的压缩图像作为训练集，设计并搭建QF模糊分类预测网络； 步骤三：针对步骤一中所述的QF分段去压缩效应子问题，设计并搭建QF分段去压缩效应网络，对不同QF段的压缩图像针对性训练不同去压缩效应模型，以对广泛QF范围内的压缩图像进行压缩效应的有效抑制； 步骤四：融合图像下采样约束，设计并搭建多尺度通道金字塔残差注意力的图像超分辨率卷积神经网络； 步骤五：将步骤三，步骤四设计的网络级联，形成端到端的压缩图像超分辨率网络进行联合训练； 步骤六：将未知QF值的压缩低质量图像作为输入，利用步骤二训练出的模型，得到压缩图像QF值的大致范围； 步骤七：将JPEG压缩图像作为输入，利用步骤五中训练的对应网络模型，结合最优化重建代价函数，得到高分辨率图像； 其特征在于步骤二所述的QF分段预测分类网络：不同于传统的压缩图像基于深度学习的去压缩算法训练单个网络将压缩图像映射到无压缩效应的图像，本发明QF预测网络的输出不以单一图像块的预测结果作为网络的结果，而是通过提取9个不同的块输出QF节点中出现频率最高的QF值范围作为图像真实QF近似的结果，该子网络最后使用了sigmoid激活函数，最后选择对应节点的去压缩效应模型对图像去压缩；其特征在于步骤三所述的QF分段去压缩网络：不同于单个QF值去压缩模型，QF分段去压缩网络将图像在JPEG编解码器中以QF为{1-10，11-20，…，51-60}和{61-100}共七个子段，生成不同段泛化网络的混合压缩样本集，训练相应QF分段的密集连接有效注意力的去压缩网络，在网络构建中引入了宽激活残差块和有效通道密集连接注意力，宽激活残差块在保持网络参数量和计算复杂度不变的情况下，提高了信息传输效率，有效通道密集连接注意力在降低计算复杂度同时，捕获局部跨通道交互作用来获得最有价值的图像信息，并提高了信息利用率；其特征在于步骤四所述的基于多尺度通道金字塔残差注意力的图像超分辨卷积神经网络的搭建：本发明通过研究图像的降质过程，构建多尺度通道金字塔残差注意力网络,它是由一个通道注意力级联了一个多尺度金字塔残差注意力，这样网络不仅关注不同通道信息的关系，而且关注同一通道不同深度信息的依赖性，最后将不同金字塔层提取到的信息进行特征融合，重建高分辨率图像。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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”。