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！

龙图腾网获悉安徽工程大学申请的专利一种基于深度学习的图像艺术风格迁移算法、存储介质及设备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：CN120387923B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202510434122.X，技术领域涉及：G06T3/04；该发明授权一种基于深度学习的图像艺术风格迁移算法、存储介质及设备是由冯峥嵘;刘贝芬;陈孟元设计研发完成，并于2025-04-08向国家知识产权局提交的专利申请。

本一种基于深度学习的图像艺术风格迁移算法、存储介质及设备在说明书摘要公布了：本发明属于图像处理技术领域，具体涉及一种基于深度学习的图像艺术风格迁移算法、存储介质及设备。算法包括：步骤S1，构建TFEST网络，并进行训练优化；TFEST网络包括双流特征提取模块、风格特征补充器和风格感知解码器，双流特征提取模块包括内容特征编码器和风格特征编码器；步骤S2，通过双流特征提取模块的独立编码通路从内容图像和风格图像中分别提取出内容序列和风格序列；步骤S3，引入风格特征补充器对风格图像进行处理，提取风格参数；步骤S4，将内容序列、风格序列以及风格参数输入到风格感知解码器，输出相应的风格迁移图像。本发明解决了现有技术中风格信息对内容信息的过度干扰，造成语义模糊和风格不一致的技术问题。

本发明授权一种基于深度学习的图像艺术风格迁移算法、存储介质及设备在权利要求书中公布了：1.一种基于深度学习的图像艺术风格迁移算法，其特征在于：包括下列步骤： 步骤S1，构建TFEST网络，并进行训练优化； TFEST网络包括双流特征提取模块、风格特征补充器和风格感知解码器，双流特征提取模块包括两个独立编码通路，分别为内容特征编码器和风格特征编码器； 步骤S2，通过双流特征提取模块的独立编码通路从内容图像和风格图像中分别提取出内容序列和风格序列； 步骤S3，引入风格特征补充器对风格图像进行处理，提取风格参数； 步骤S4，将内容序列、风格序列以及风格参数输入到风格感知解码器，输出相应的风格迁移图像； 步骤S2中，在图像分块层将RGB格式的输入内容图像和风格图像分别分割成大小相等且互不重叠的patch单元，每个patch的特征由原始像素RGB值拼接而成，分别输入到内容特征编码器和风格特征编码器进行处理；在独立编码通路中，线性嵌入层投影得到的特征依次经过若干AFEM模块处理，AFEM模块包括AdaRF模块、CAM模块和AdaCW模块； 步骤S3中，风格参数补充器通过多层结构从风格图像中提取并量化风格特征，所述多层结构的每一层包含缩放点积注意力机制和残差块；风格图像输入风格参数补充器后，在图像分块层分割成大小相等且互不重叠的patch单元，每个patch的特征由原始像素RGB值拼接而成，并应用线性嵌入层投影后输入到风格参数补充器的多层结构，经多层结构处理后输出风格参数； 步骤S4中，所述风格感知解码器接收内容序列Φc、风格序列Φs和风格参数三类输入，在特征融合阶段，首先对各输入特征进行缩放点积注意力机制计算操作过程表示为下列算式： Q＝Φc,K＝V＝Φs， 其中，α和γ是可学习的权重参数，Φ”cs表示内容序列Φc与风格参数通过缩放点积注意力机制计算得到的中间特征，Φ'cs表示中间特征Φ”cs与风格序列Φs通过缩放点积注意力机制计算得到的结果，H为缩放点积注意力机制头数， 和为各缩放点积注意力机制头第h头的参数矩阵，dk是键向量的维度；处理后的特征Φ'cs通过多层感知机进一步加工，计算式如下： 其中，δ是可学习的权重参数，LN表示层归一化操作，MLP表示多层感知机，Φcs表示风格感知解码器融合了内容序列、风格序列和风格参数三源特征后输出的特征。

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安徽工程大学，其通讯地址为：241000 安徽省芜湖市鸠江区北京中路8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”。

以上内容由龙图腾AI智能生成。