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！

龙图腾网获悉鄂尔多斯应用技术学院申请的专利一种基于深度学习的图像超分辨率重建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：CN119809933B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202411886480.6，技术领域涉及：G06T3/4053；该发明授权一种基于深度学习的图像超分辨率重建方法是由郭松;王海军;苏建娜;项锐;魏永峰设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本一种基于深度学习的图像超分辨率重建方法在说明书摘要公布了：本申请公开了一种基于深度学习的图像超分辨率重建方法，属于图像信号处理技术领域。包括以下步骤：S1，利用深度学习网络实现对低分辨率输入图像的多维度特征表征；S2，实现跨尺度特征的精准对齐和无损映射，有效解决特征维度不一致和信息失真问题；S3，显式学习低分辨率输入与重建高分辨率图像间的增量映射关系，缓解深度学习网络结构的梯度消失问题；S4，通过对抗训练增强重建图像的自然度与细节保真度；S5，综合像素级重构损失、感知损失和结构相似性损失，有效平衡重建图像的客观指标和主观视觉质量；S6，通过统一的梯度反向传播机制，实现深度学习网络参数的联合优化，最终输出高质量的超分辨率重建图像。

本发明授权一种基于深度学习的图像超分辨率重建方法在权利要求书中公布了：1.一种基于深度学习的图像超分辨率重建方法，其特征在于，包括以下步骤： S1，利用深度学习网络实现对低分辨率输入图像的多维度特征表征； S2，实现跨尺度特征的精准对齐和无损映射，有效解决特征维度不一致和信息失真问题； S3，显式学习低分辨率输入与重建高分辨率图像间的增量映射关系，缓解深度学习网络结构的梯度消失问题； S4，通过对抗训练增强重建图像的自然度与细节保真度； S5，综合像素级重构损失、感知损失和结构相似性损失，有效平衡重建图像的客观指标和主观视觉质量； S6，通过统一的梯度反向传播机制，实现深度学习网络参数的联合优化，最终输出高质量的超分辨率重建图像； S2包括以下步骤：将不同尺度的特征映射到统一的查询-键-值空间，通过注意力权重计算实现特征间的非线性关联，有效捕捉特征维度间的复杂依赖关系；通过可学习的通道转换层和归一化操作，动态调整不同尺度特征的通道数和尺度，使用通道注意力和空间注意力机制自适应地平衡和重构特征信息；在不同抽象层次上逐步细化特征对齐策略，通过自适应权重学习和跨尺度特征交互，逐步消除特征表示中的语义偏差和尺度失真；通过引入额外的跨尺度一致性损失，进一步优化不同尺度特征的语义匹配，确保更精确的特征对齐；通过引入实例归一化和条件归一化技术，动态调整特征的分布特征，消除不同尺度和通道间的统计差异，增强特征映射的稳定性和一致性；通过特征一致性约束，逐步优化特征映射的质量，使生成的特征表示更加接近理想的跨尺度一致性表达； S3包括以下步骤：通过深度残差学习网络和多分支卷积架构，构建增量映射学习机制，逐层累积残差信息，捕捉低分辨率到高分辨率图像的细微变化，避免信息损失；引入可学习的通道注意力机制，动态调整不同残差分支的重要性，优化残差传播，缓解梯度消失问题，增强图像细节重建能力；通过多尺度残差融合策略和跳跃连接，保留底层纹理特征和高层语义信息的互传，增强对图像全局和局部结构的理解；采用残差梯度归一化和自适应梯度剪裁策略，控制残差传播范围，防止梯度爆炸和消失，同时引入稀疏性约束，提升增量映射表示的紧凑性和效率；基于循环神经网络构建门控残差单元，迭代细化残差信息，逐步增强高频细节重建，精确捕捉低分辨率到高分辨率图像的非线性映射关系；基于元学习构建自适应残差生成器，通过残差学习策略动态调整网络结构和参数，实现与输入图像特征分布的自适应匹配； S4包括以下步骤：设计生成器和判别器网络，生成器负责重建图像，判别器则用于区分重建图像与真实图像；在生成器的中间特征层设计特征匹配损失，通过冻结判别器的参数，计算生成图像与真实图像在特征层的均值和方差差异，促使生成器生成更接近真实图像分布的重建结果；通过最小-最大博弈优化策略，生成器最小化判别器的判别损失，判别器最大化正确分类的概率，实现相互竞争的训练过程；交替优化生成器与判别器，逐步提高图像质量，使生成器在视觉质量、细节保真度和感知一致性方面逼近真实图像； S5包括以下步骤：计算重建图像与原始图像之间的像素级差异，以量化重建的精确程度；提取原始和重建图像在中间层的特征表示，计算其均方误差，评估图像在感知和语义层面的相似性；引入结构相似性指数作为损失函数，专注于评估重建图像的结构、对比度和亮度信息，有效平衡图像的纹理细节和整体结构完整性；设计自适应的损失权重策略，动态平衡像素级重构损失、感知损失和相似性损失的相对重要性；通过在图像的粗粒度和细粒度尺度上同时评估重建质量，全面捕捉图像的局部纹理细节和全局结构特征，进一步提升重建图像的客观指标和主观视觉效果；通过在损失函数中添加正则化项以形成综合损失函数，减小重建伪影并提升整体重建质量。

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鄂尔多斯应用技术学院，其通讯地址为：017000 内蒙古自治区鄂尔多斯市康巴什区鄂尔多斯大街东1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”。