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！

龙图腾网获悉西北工业大学深圳研究院;西北工业大学申请的专利一种基于条件扩散模型的全色锐化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：CN117058009B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202310740976.1，技术领域涉及：G06T5/73；该发明授权一种基于条件扩散模型的全色锐化方法是由邢颖慧;瞿立涛;张艳宁;张世周;张秀伟;尹翰林设计研发完成，并于2023-06-21向国家知识产权局提交的专利申请。

本一种基于条件扩散模型的全色锐化方法在说明书摘要公布了：本发明公开了一种基于条件扩散模型的全色锐化方法，该模型包括正向加噪过程和反向去噪过程，算法的正向加噪过程通过马尔科夫链过程逐步将训练数据加噪为高斯噪声，反向去噪过程从高斯噪声出发，通过噪声预测网络的输出，逐步去噪采样得到高分辨率的多光谱图像；本方法使用细节信息全色图像与上采样多光谱图像的差作为条件，引导逆向去噪过程的从高斯噪声生成全色图像和多光谱图像的融合结果。训练好的噪声预测网络通过反向马尔科夫链过程进行多轮去噪迭代，生成最终的融合结果。本发明得到的融合结果空间和光谱信息保真度高，显著提高了噪声预测的精度。

本发明授权一种基于条件扩散模型的全色锐化方法在权利要求书中公布了：1.一种基于条件扩散模型的全色锐化方法，其特征在于，包括如下步骤： 步骤1：数据集准备； 对成对、配准的大幅遥感多光谱MS图像和全色图像PAN按照从左到右、从上到下的顺序截取图像块，并将这些图像块分为训练集、验证集和测试集； 先对训练集、验证集和测试集进行归一化处理；再对训练集、验证集和测试集中的图像块按照Wald协议进行处理，然后将处理过的图像块作为模型的输入； 原始MS图像块作为参考图像； 步骤2：正向加噪过程； 设置加噪的总步长为T，对任意时间步t～{1,...,T}，通过公式1和2直接计算原始多光谱图像R0加噪到t时刻的数据分布： 其中αi是预定义的固定参数，取值范围为0,1；∈t为服从标准高斯分布的噪声信息；R0为多光谱图像；Rt表示加噪至t时刻的多光谱图像；I表示一个值全为1的矩阵；表示高斯分布；qRt|R0表示多光谱图像R0加噪至t时刻的数据分布； 步骤3：噪声预测网络模型构建； 所述噪声预测网络接收的输入信息包括时间步t、时间步t的加噪图像Rt、细节信息PD-Mr↑，其中PD表示全色图像在通道维度上复制到与多光谱图像通道数量一致，Mr↑表示多光谱图像进行r倍上采样至空间分辨率与全色图像一致，求差后得到细节信息作为网络的引导条件；网络的预测目标为R0到Rt加入的噪声信息，即εθRt,t,PD-Mr↑→εt； 噪声预测网络采用U型网络架构，包括四个部分：时间步模块、下采样模块、上采样模块和融合模块；时间步模块编码加噪时刻t并传入网络的其他模块，输入信息依次通过下采样模块、上采样模块提取特征，融合模块输出预测结果； 网络在输入端，细节信息PD-Mr↑与加噪图像Rt在通道维度上连接；所述噪声预测网络使用一个卷积层统一处理输入信息； 具体各个部分的构建过程如下： 步骤3-1：构建时间步模块； 所述噪声预测网络与时间步相关，输入的时间步t～{1,...,T}编码为一维向量，随后通过Linear线性变化层，该一维向量将传入噪声预测网络的所有上采样模块、下采样模块和融合模块；一维向量在传入每个模块前，会再通过一个Linear线性变化层，将其长度转换为当前模块的输入通道数量，从而与当前模块的输入求和； 步骤3-2：构建下采样模块； 所述下采样模块为组归一化GN层、leaklyRelu激活函数、卷积层顺序级联的结构；卷积层的下采样操作通过调整步长实现，将输入下采样模块的特征图进行2倍空间下采样，输出通道相对输入通道数量翻倍； 步骤3-3：构建上采样模块； 所述上采样模块为组归一化GN层、leaklyRelu激活函数、上采样层、跳跃连接、步长为1的卷积层顺序级联的结构，将输入上采样模块的特征图进行2倍空间上采样，输出通道相对输入通道数量减半；上采样模块的卷积层使用跳跃连接，接收同尺寸的下采样模块输出；所述上采样层采用双线性插值算法实现2倍的空间上采样； 步骤3-4：构建融合模块； 所述融合模块为组归一化GN层、leaklyRelu激活函数、跳跃连接、步长为1的卷积层顺序级联的结构；融合模块的卷积层使用跳跃连接，接收第一个卷积层的输出与网络输入PD-Mr↑,Rt； 步骤4：训练噪声预测网络； 所述噪声预测网络摸模型εθRt,t,PD-Mr↑通过变分下界推导的损失函数进行优化，以R0到Rt加入的噪声∈t为目标；从均匀分布中选取时间步t～{1,...,T}，从标准正态分布中采样得到∈t，从训练数据中选取一个批量的参考图像R0，通过公式2加噪得到Rt，计算细节信息——复制后的全色图像PD与上采样的多光谱图像Mr↑的差值，通过下式使噪声预测网络的参数训练至收敛： min||εθRt,t,PD-Mr↑-∈t||23 步骤5：反向去噪流程； 噪声预测网络训练结束后，基于马尔科夫链过程，从标准正态分布中采样得到两个样本RT和z，使用下述公式4进行T步迭代，当t＝0时迭代终止，最后从样本RT去噪得到全色图像P和多光谱图像M的融合结果： 其中

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北工业大学深圳研究院;西北工业大学，其通讯地址为：518063 广东省深圳市南山区粤海街道高新南九道45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”。