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！

龙图腾网获悉大连理工大学申请的专利基于对齐移动特征与在线重降质学习的视频去雨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：CN115439360B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202211067044.7，技术领域涉及：G06T5/70；该发明授权基于对齐移动特征与在线重降质学习的视频去雨方法是由薛昕惟;刘日升;王祎;樊鑫设计研发完成，并于2022-09-01向国家知识产权局提交的专利申请。

本基于对齐移动特征与在线重降质学习的视频去雨方法在说明书摘要公布了：本发明属于计算机视觉领域，涉及基于对齐移动特征与在线重降质学习的视频去雨方法。本发明首先利用全新设计的特征对齐、特征移动和特征融合模块来构成视频去雨网络，从而可以充分利用视频中冗余的时序信息。其中特征对齐模块利用了形变卷积、光流和膨胀卷积等多种模块来对齐视频相邻帧的特征，从而有利于之后阶段特征的有效融合。在特征对齐模块之后，本发明创造性地引入了特征移动模块，可以显式地交换不同时间位置的特征，从而使得每一帧的特征都包含相邻帧的特征，有利于时序特征的整合。最后本发明利用注意力机制和残差结构设计了一个紧凑的特征融合模块来有效整合时空特征并重建去雨后的视频帧。

本发明授权基于对齐移动特征与在线重降质学习的视频去雨方法在权利要求书中公布了：1.基于对齐移动特征与在线重降质学习的视频去雨方法，其特征在于，步骤如下： 步骤一、基于形变卷积、膨胀卷积与光流结合的时序特征对齐模块； 首先，利用卷积层将目标帧和其相邻帧提取成特征： Ft＝ConvRt， Ft+n＝ConvRt+n， 其中：Rt和Rt+n表示输入的带有雨痕的目标帧和其邻近帧，n取值-1或者+1，表示前后两帧，Conv表示卷积层，Ft和Ft+n表示提取得到的特征；然后利用两帧间的光流将邻近帧初步对齐到目标帧，获得初步对齐后的邻近帧： 其中oft→t+n表示估计的两帧间的光流，Warp表示利用光流来对齐相邻帧的操作，表示初步对齐后的相邻帧； 然后采用多膨胀率的膨胀卷积模块来估计用于形变卷积对齐的偏移量： 其中DilatedConv表示膨胀卷积块，它的输入是初步对齐后的相邻帧与目标帧的特征，ΔP表示估计得到的偏移量； 将估计的偏移量和光流相加用于形变卷积对齐，通过光流引导形变卷积，避免了训练过程中形变卷积不稳定的情况的发生： 其中DeFormConv表示标准的形变卷积的操作，表示经过形变卷积对齐后的特征； 步骤二、时序特征移动模块； 提出利用特征移动模块来进一步显式地利用时序信息；特征移动模块会沿时间轴将每一视频帧提取的特征的前[0：f]通道往前移，将最后[c-f：c]通道往后移动，其中c表示一个视频帧所提取的特征的数目； 步骤三、时序特征融合模块； 利用残差结构和通道注意力机制设计了时序特征融合模块；时序特征融合模块由残差块级联组成，级联的残差块的数目至少是5个，每个残差块由两层带激活函数的卷积层和一个通道注意力层级联组成，残差块的输出与输入之间有残差连接直接相加，防止深度网络的梯度在反向传播过程中逐渐消失，残差块内部的卷积层的卷积核全部统一为3×3； 步骤四、在线重降质学习策略； 为了提升提出的视频去雨网络的泛化能力，利用在线重降质学习策略来利用真实的数据来辅助训练去雨网络；首先利用带有标签的合成数据来训练网络，直至收敛；接下来，利用该网络去除真实视频的雨痕，获得无雨视频，作为这部分数据的伪标签；之后将估计的真实雨痕进行数据增广后与无雨视频相加作为新的训练集；之后利用该训练集与伪标签来微调去雨网络。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。