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院合肥物质科学研究院申请的专利无监督自编码网络单像素成像方法及存储介质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：CN116188606B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202310101963.X，技术领域涉及：G06T9/00；该发明授权无监督自编码网络单像素成像方法及存储介质是由黄见;李志财;时东锋;苑克娥;陈亚峰;胡顺星设计研发完成，并于2023-01-19向国家知识产权局提交的专利申请。

本无监督自编码网络单像素成像方法及存储介质在说明书摘要公布了：本发明的一种无监督自编码网络单像素成像方法及存储介质，其方法包括预先生成调制散斑；使用调制散斑对物体的像进行调制，将调制后的物体信息离散化为数字信号；联合离散化的数字信号与调制散斑重构出低质量目标物体图像；低质量图像输入自编码网络，经编码和解码后，输出重构成像结果，设置迭代次数；根据网络重构成像结果和相应的调制散斑，计算预测强度值；计算预测强度值和离散化后的数字信号之间的误差，调整自编码网络可学习参数，进行新一轮迭代并输出结果；循环迭代，直至达到预先设置迭代次数，输出最终重构成像结果。本发明并不基于特定训练集，消除了神经网络输出结果泛化性能较差等问题，同时更好的抑制背景噪声，提升成像质量。

本发明授权无监督自编码网络单像素成像方法及存储介质在权利要求书中公布了：1.一种无监督自编码网络单像素成像方法，其特征在于，包括以下步骤， 步骤S1：预先生成调制散斑； 步骤S2：使用调制散斑对物体的像进行调制，调制后的物体信息被单像素探测器接收，并离散化为数字信号； 步骤S3：联合离散化的数字信号与调制散斑，进行相关运算复原出低质量目标物体图像； 步骤S4：将所述低质量目标物体图像输入自编码网络，设置迭代停止次数，对网络参数初始化，低质量图像经由网络编码和解码后，输出重构成像结果； 步骤S5：根据重构成像结果和相应的调制散斑，计算该次迭代预测强度值； 步骤S6：计算所述预测强度值和S2中离散化后的数字信号误差，通过反向传播算法，调整自编码网络可学习参数，进行新一轮迭代，输出该次重构成像结果； 所述自编码网络包括3个编码层、1个双卷积层及3个解码层； 即编码层包括卷积滤波层一，卷积滤波层二，卷积滤波层三；解码层包括解码层一、解码层二、解码层三； 所述卷积滤波层一、卷积滤波层二、卷积滤波层三依次用于特征提取并压缩，并将该层输出通道数倍增；双卷积层用于将特征进一步提取，解码层一用于对双卷积层传入的特征进行转置卷积操作并放大特征，接收上一层传入特征的同时接收卷积滤波层三的特征；解码层二接收解码层一和卷积滤波层二传入的特征；解码层三接收解码层二和卷积滤波层一特征，同时添加激活层，输出最终重构图像； 其中，卷积滤波层一将分辨率为n*n的低质量图像传入神经网络，由5*5二维卷积核same方式对图像进行两次卷积操作并批量归一化处理，卷积提取特征大小为n*n；再由平均池化层进行池化操作，将提取特征压缩至n2*n2大小； 卷积滤波层二对卷积滤波层一的特征重复上述优化操作，池化后特征大小压缩为n4*n4；卷积滤波层三对卷积滤波层二特征重复上述优化操作，池化后特征大小压缩为n8*n8；双卷积层进行两次卷积操作和批处理归一化，特征大小不变；解码层一由5*5卷积核进行转置卷积操作和批处理归一化，将图像特征放大至n4*n4，同时concat层链接卷积滤波层三特征，再进行两次卷积操作和批处理归一化；解码层二重复上述解码层一的优化操作，特征放大至n2*n2，concat层链接卷积滤波层二特征；解码层三重复解码层二的操作，特征放大至n*n，concat层链接卷积滤波层一特征，同时经由激活层激活，映射出重构图像 步骤S7：判断是否达到迭代停止次数？如果未达到迭代停止次数，则重复步骤S5至S6； 步骤S8：迭代停止，输出最终重构成像结果。

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院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市蜀山区蜀山湖路350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。