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！

龙图腾网获悉华东师范大学申请的专利基于非线性无激活网络的生成对抗网络图像去模糊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：CN117094910B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202311135511.X，技术领域涉及：G06T5/73；该发明授权基于非线性无激活网络的生成对抗网络图像去模糊方法是由程志康;张桂戌;李智;曾铁勇;张鑫;杨继琼;和凤珍;李学花设计研发完成，并于2023-09-05向国家知识产权局提交的专利申请。

本基于非线性无激活网络的生成对抗网络图像去模糊方法在说明书摘要公布了：本发明了一种基于非线性无激活网络的生成对抗网络图像去模糊方法，旨在高效的处理大型图像去模糊问题。本方法采用非线性无激活网络（NAFNet）作为生成对抗网络的生成网络。生成器网络避免了传统激活函数。特别地，NAFNet结合了深度可分离卷积、简化的通道注意力以及简单门结构来有效地学习图像的复杂特征和结构信息。此外，本发明还采用了全局和局部双尺度判别机制，能够更加精确地捕捉图像的细节和整体结构。本发明还加入了感知损失和对抗损失，确保了生成的图像在视觉上与真实图像更为接近。本发明提供了一种高效且高质量的图像去模糊方法，可以在多个公开数据集上实现优于现有方法的性能。

本发明授权基于非线性无激活网络的生成对抗网络图像去模糊方法在权利要求书中公布了：1.一种基于非线性无激活网络的生成对抗网络图像去模糊方法，其特征在于，该方法包括如下步骤： 步骤1：获取图像训练数据集 数据集分为模糊图数据集blur，清晰图数据集sharp，这两个数据集是配对的，即每个模糊图像都有一个对应的清晰图像； 步骤2：对数据集进行预处理 先预加载数据集，然后对每一对图像进行尺寸调整保持图像的宽高比，确保图像的最小边至少与设置的参数大小一样大，默认为256x256；经过图像尺寸调整后进行归一化和转置，并将其从高*宽*通道格式转置为通道*高*宽格式；然后对数据进行增强即旋转、裁剪及翻转；最后截取随机10％的数据集作为验证集，其余皆为训练集； 步骤3：初始化生成器G和判别器D的损失函数 生成器损失LG包括感知损失Lperceptual、像素级损失Lpixel和对抗损失Ladversarial；判别器损失LD采用RaGAN-LS损失函数； 步骤4：构建生成器G和判别器D的网络模型，迭代优化生成器G和判别器D的参数，直到所有网络的损失收敛 生成器G的网络模型为NAFNet，NAFNet结构由数个非线性块NAFBlock组成，非线性块NAFBlock的神经网络组件有深度可分离卷积层、通道注意力层、简单门控层和前馈网络层； 判别器D采用双尺度判别器，双尺度判别器由局部判别器PatchGAN和全局判别器FullGAN组成；PatchGAN专注于图像的局部区域；PatchGAN有一个接收字段，使其能够专注于图像的细节和纹理；PatchGAN的目标是判断每个局部区域是否来自真实图像或生成图像；FullGAN评估整个图像，捕获图像的全局结构和上下文信息，使得生成的图像在整体上与真实图像相似；双尺度判别器中的网络层组件有深度可分离卷积层、层归一化层和GELU激活层； 将步骤2的训练集中的blur图像作为输入图像，sharp图像作为目标图像，使用生成器G生成输出图像，将输出图像及目标图像一起传入判别器计算判别器损失LD并更新判别器权重；清除生成器的梯度；计算生成器损失LG＝像素级损失Lpixel+感知损失Lperceptual+对抗损失Ladversarial，反向传播生成器的梯度并更新生成器的权重；生成器G和判别器D会交替更新；生成器G尝试生成越来越真实的图像，而判别器D则努力区分真实图像和生成图像；这种相互对抗的关系持续推动两者向前，直至达到一种平衡，即生成器生成的图像非常逼真，以至于判别器很难区分生成图像和真实图像； 在模型训练过程中，采用Adam优化器作为模型优化方法，动态调整每个参数的学习率；通过对抗训练的模型优化方法不断优化生成器损失LG和判别器损失LD，直到损失收敛； 步骤5：当模型训练完成后，保存训练后的模型的权重和结构，将预处理后的图像数据输入到已训练完成的网络模型中，经过数据前向传播计算，然后将网络模型输出的去模糊图像数据进行输出格式转换后处理，最终返回去模糊后的清晰图像。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500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”。