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！

龙图腾网获悉成都信息工程大学申请的专利基于变分模糊核估计的运动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：CN116721027B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202310663159.0，技术领域涉及：G06T5/73；该发明授权基于变分模糊核估计的运动图像去模糊方法是由符颖;朱欣宇;袁霞;吴锡;周激流设计研发完成，并于2023-06-06向国家知识产权局提交的专利申请。

本基于变分模糊核估计的运动图像去模糊方法在说明书摘要公布了：本发明涉及一种基于变分模糊核估计的运动图像去模糊方法，首先通过变分推断算法，拟合模糊核的隐式物理结构分布，将其表示为潜在变量，例如方向、范围，能够得到非参数化的模糊核特征。其次，采用模糊生成模型，以数据驱动的方式近似模糊核的预期统计分布。在模糊生成阶段采用双头解码器结构。本发明的模糊核估计方法克服了现有非均匀运动模糊估计方法的局限性，能够生成大量极其精确的运动模糊核，通过训练该模型，不仅能够实现对真实的运动模糊图像去模糊，而且够生成大量清晰‑模糊数据对，从而有效地丰富和扩充现有的基准数据集。综合实验证明，本发明方法比现有的基于端到端深度学习的方法具有更好去模糊效果。

本发明授权基于变分模糊核估计的运动图像去模糊方法在权利要求书中公布了：1.基于变分模糊核估计的运动图像去模糊方法，其特征在于，所述方法通过变分贝叶斯推断算法，将编码器提取到的图像分布特征进行重参数化分布，得到潜在的模糊隐式分布，探索模糊核的内在生成机制，然后通过模糊组系生成模块，结合解码器结构将包含隐式分布信息的变量重构成非参数化的模糊组系，以数据驱动的方式得到具有物理特性的模糊特征并估计出真实的模糊图像，从而提高模型刻画模糊核的能力，最后将训练得到的模型输入到去模糊模块，能够得到清晰的去模糊图像，去模糊方法具体包括： 步骤1：准备去模糊训练集，所述训练集包括模糊图像和对应的清晰图像构成的图像对； 步骤2：将模糊图像输入变分核生成网络中进行处理，输出得到模糊线性组，并结合清晰图像通过局部卷积网络得到估计的模糊图像，同时得到训练好的变分模糊生成模型，具体包括： 步骤21：提取模糊图像的特征向量，将模糊图像输入到编码器提取图像特征向量； 步骤22：解码得到混合系数，将所述图像特征向量输入到解码器1中，所述图像特征向量被解码为混合系数； 步骤23：采用变分贝叶斯推断算法探究模糊核的隐含分布并通过生成器得到具有模糊物理特性的模糊组系，包括两个阶段： 步骤231：第一阶段，将所述图像特征向量通过变分贝叶斯推断算法探究模糊核的隐含分布，通过重参数化潜在变量构建模糊核隐含分布信息，得到重参数化分布； 步骤232：第二阶段，将重参数化分布输入包含解码器2的生成器中，通过解码和线性化生成模糊组系，将模糊核建模为一个维数为M的模糊组系，将整个模糊组系建模是以潜在变量为条件的深度生成模型； 步骤24：将步骤22与步骤23得到的混合系数与模糊组系先进行加权组合得到模糊线性组，然后与清晰图像对输入局部卷积网络中，所述局部卷积网络将模糊图像对应的清晰图像与所述模糊线性组进行卷积，得到估计模糊图像； 步骤3：基于步骤2训练得到的变分模糊生成模型，构建优化分布去模糊模型，对模糊图像进行处理，得到最终清晰的去模糊图像，具体包括： 步骤31：将一组模糊图像输入到步骤2训练得到的变分模糊生成模型中，得到对应模糊图像具有物理特性的模糊线性组； 步骤32：构建深度图像先验模块，用于重参数化清晰图像先验分布，得到清晰图像先验，具体的： 首先，使用标准正态随机向量表示清晰图像分布,在此不对其做优化求解，而是将其作为神经网络的随机输出； 然后，在深度图像先验模块的基础上先使用正则化理查森-露西自然图像先验算法对清晰图像分布的梯度进行正则化约束； 最后，使用变分正则化项对清晰图像进一步约束，避免平凡解，得到一个随机的清晰图像先验； 步骤33：将清晰图像先验与步骤31得到的模糊线性组进行局部卷积，将得到估计模糊图像，计算所述估计模糊图像与输入的模糊图像的图像重模糊损失，通过所述模糊损失反向控制步骤32的深度图像先验模块得到优化后的清晰图像先验，整个优化分布模型通过最小化损失约束，最后输出清晰的去模糊图像。

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成都信息工程大学，其通讯地址为：610200 四川省成都市西南航空港经济开发区学府路1段24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”。