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！

龙图腾网获悉中国科学技术大学申请的专利一种基于事件数据驱动的模糊视频超分辨率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：CN119850420B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510020067.X，技术领域涉及：G06T3/4053；该发明授权一种基于事件数据驱动的模糊视频超分辨率方法是由孙晓艳;开大纯;朱胡悦;张越一设计研发完成，并于2025-01-07向国家知识产权局提交的专利申请。

本一种基于事件数据驱动的模糊视频超分辨率方法在说明书摘要公布了：本发明公开了一种基于事件数据驱动的模糊视频超分辨率方法，其步骤包括：1、准备训练视频数据和对应的事件序列，并对事件序列进行表征；2、构建模糊视频超分辨率神经网络模型；3、对构建的模糊视频超分辨率神经网络模型进行离线训练；4、利用训练好的模型进行预测，以实现模糊视频超分辨率的目标。本发明通过利用事件数据驱动的方式，能提升模糊视频超分辨率的修复效果，从而能生成清晰的视频帧。

本发明授权一种基于事件数据驱动的模糊视频超分辨率方法在权利要求书中公布了：1.一种基于事件数据驱动的模糊视频超分辨率方法，其特征在于，是按如下步骤进行： 步骤1获取训练视频图像数据集及其对应的事件序列，并对事件序列进行表征： 步骤1.1获取训练视频图像数据集： 获取清晰的高分辨率视频图像数据集，其中，表示第个清晰的高分辨率图像，，为高分辨率图像的总数量； 对清晰的高分辨率视频图像集进行模糊和降分辨率处理，得到模糊的低分辨率视频图像集，其中，表示第个模糊的低分辨率图像； 令表示训练视频图像数据集； 步骤1.2对事件序列进行表征： 获取高分辨率视频图像集的帧内事件序列和帧间事件序列，其中，和分别表示第个清晰的高分辨率图像所对应的帧内事件序列和帧间事件序列； 对和分别进行降分辨率处理，得到低分辨率视频图像集对应的帧内事件序列和帧间事件序列，其中，和分别表示第个模糊的低分辨率图像所对应的帧内事件序列和帧间事件序列； 对进行体素化表示，得到低分辨率视频图像集对应的帧内事件体素序列，其中，表示的帧内事件体素，表示事件体素通道数量，表示图像高度，表示图像宽度； 对事件序列进行体素化表示，得到低分辨率视频图像集对应的帧内事件体素序列，其中，表示的帧间事件体素； 步骤2构建模糊视频超分辨率神经网络，包括：特征提取层、“帧-事件”协同去模糊模块、“光流-事件”协同时间对齐模块、帧重建模块； 步骤2.1、所述特征提取层包括：图像特征提取层、帧内事件特征提取层和帧间事件提取层，并分别对、和进行特征提取，相应得到第个模糊帧特征、第个帧内事件特征和第个帧间事件特征，其中，表示所提取的特征维度； 步骤2.2、所述“帧-事件”协同去模糊模块包括：帧和事件预处理层、帧引导的事件去模糊层、事件引导的帧去模糊层和全连接融合层组成，并分别对和进行处理，相应得到第个去模糊后的帧特征和第个去模糊后的帧内事件特征； 步骤2.3、所述“光流-事件”协同对齐模块包括：光流引导的对齐模块、事件引导的对齐模块和可变形卷积层，并对第个低分辨率图像和第个低分辨率图像进行处理，得到第个特征图； 步骤2.3.1、所述光流引导的对齐模块由层下采样卷积层和层上采样卷积层交替连接组成，并对和进行光流估计，得到关于的第个光流； 利用式9对第个光流和第个特征图进行变换，从而得到第个来自光流对齐的特征： 9 式9中，表示图像扭曲变换；当i=1时，令； 步骤2.3.2、所述事件引导的对齐模块由个卷积层和GeLU激活层组成，并对第个帧间事件特征和第个特征图进行处理，得到第个来自事件对齐的特征； 步骤2.3.3、将、、、、和沿通道拼接后输入所述可变形卷积层中进行处理，得到第个特征图； 步骤2.4、所述帧重建模块由多个反卷积层和上采样层依次串联组成，并对第个低分辨率图像和第个特征图进行处理后，得到第个超分辨率图像；从而得到超分辨率视频集； 步骤3、利用式10损失函数： 10 式10中，是一个非负常数； 步骤4、利用梯度下降法对模糊视频超分辨率神经网络进行训练，并计算所述损失函数以更新网络参数，当训练迭代次数达到设定的次数或损失函数收敛时，训练停止，从而得到最优模糊视频超分辨率模型；用于对模糊的低分辨率视频图像进行处理，以获得对应的清晰的高分辨率视频图像。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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”。