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！

龙图腾网获悉南京林业大学申请的专利注意力优化的深度编解码去雾生成对抗网络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：CN114187203B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202111504661.4，技术领域涉及：G06T5/73；该发明授权注意力优化的深度编解码去雾生成对抗网络是由赵亚琴;赵文轩设计研发完成，并于2021-12-09向国家知识产权局提交的专利申请。

本注意力优化的深度编解码去雾生成对抗网络在说明书摘要公布了：针对现有的去雾算法难以处理不均匀分布的雾，且深度卷积去雾网络过度依赖大规模数据集的问题，本发明提出了一种注意力优化的深度编解码去雾生成对抗网络，该网络采用了四层下采样结构的编码器，充分提取因为雾而损失的语义信息，以便恢复清晰的图像。同时，在解码器网络中，引入了注意力机制，自适应地为不同的像素和通道分配权值，从而处理不均匀分布的雾。最后，生成对抗网络的框架使得模型在小样本数据集上能取得更好的训练效果。实验结果表明，本技术方案不仅能够有效去除真实场景图像中不均匀分布的雾，而且对于训练样本较少的真实场景数据集，也能恢复清晰的图像，评价指标优于广泛采用的其他对比算法。

本发明授权注意力优化的深度编解码去雾生成对抗网络在权利要求书中公布了：1.一种注意力优化的深度编解码去雾生成对抗网络，其特征是包括生成器网络和判别器网络，其步骤包括：1生成器网络接收到输入有雾图像，并生成去雾图像；2判别器网络接收生成器网络输出的去雾图像和对应的真实无雾对比图像，并进行判断；3判别器网络监督生成器网络的训练过程； 所述步骤1中，生成器网络生成去雾图像的步骤包括： 1.1把输入的有雾图像经过预处理过程得到原始特征图； 1.2用含有四层下采样的编码器模块得到编码后的特征图； 1.3特征图通过一个残差模块处理被送入到解码器模块中； 1.4解码器模块同样分为四层，将特征图尺寸最终恢复至原有大小；在特征图重建时，引入注意力模块； 1.5恢复至原尺寸的特征图被送入到后处理模块中，进行通道还原，并与输入有雾图像相加，最终得到输入的去雾后图像； 所述步骤1.4中，所述解码器包括连续的四组简化的DenseBlock和TransBlock；每组DenseBlock和TransBlock中：DenseBlock包括两组ReLU激活层和Conv卷积层，并且将编码器的相应组得到的特征图与解码器的相应组的输入特征图做残差连接，从而将同尺寸层的编码器输出特征图和解码器输入特征图融合生成解码器每一层的特征图； 每一个TransBlock中都含有一个上采样模块PixelShuffle，将解码器每一层的特征图尺寸扩大2倍，通过四个TransBlock的上采样模块，最终将特征图恢复至原始尺寸； 所述步骤1.4中，在特征图重建时，引入注意力模块，方法是： 在每一个TransBlock的上采样模块PixelShuffle后面，添加了一个注意力模块；注意力模块分为通道域注意力分支和空间域注意力分支； 1.4.1在通道域注意力分支中： 首先对解码器中DenseBlock处理后的特征图的每一个通道的所有像素取平均值，作为原始通道注意力特征向量； 对于一个c*h*w维的特征图，得到一个c*1大小的特征向量； 再对该特征向量依次进行Conv、ReLU、Conv和Sigmoid激活函数操作；通过训练，该特征向量学习到不同通道的注意力； 最后，将该注意力向量与原始特征图相乘，得到了通道注意力特征图； 1.4.2在空间域注意力分支中： 采用与通道注意力特征图的相似的学习方法，得到空间注意力特征图； 首先，沿着通道方向对融合了通道注意力的特征图分别进行平均池化操作和最大池化操作，得到两个1*h*w的原始空间注意力特征图；特征图上每一点的像素分别为不同通道上该点所有像素的平均值与最大值； 然后，对这两张特征图进行卷积与Sigmoid激活函数操作，获得学习后的空间域注意力特征图； 1.4.3将空间域注意力特征图与混合了通道域注意力的特征图相乘，则注意力模块生成的特征图学习了在通道和空间上不均匀分布的雾的特征。

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南京林业大学，其通讯地址为：210037 江苏省南京市玄武区龙蟠路159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”。