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！

龙图腾网获悉西北工业大学申请的专利基于元-迁移学习的高光谱图像盲超分辨率重建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：CN119273547B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411387536.3，技术领域涉及：G06T3/4053；该发明授权基于元-迁移学习的高光谱图像盲超分辨率重建方法是由李强;刘克;王琦设计研发完成，并于2024-10-04向国家知识产权局提交的专利申请。

本基于元-迁移学习的高光谱图像盲超分辨率重建方法在说明书摘要公布了：本发明涉及一种基于元‑迁移学习的高光谱图像盲超分辨率重建方法，通过利用大量自然图像的预训练模型，将自然图像域的空间知识有效迁移到高光谱图像域中，提升了模型的初始性能。此外，本发明采用元‑迁移学习策略，使得模型能够快速适应不同的退化形式，从而增强了在实际应用中的鲁棒性与泛化能力。同时，通过知识边缘蒸馏压缩模型，减少了网络的参数量与计算开销，提高了模型的效率。还通过多阶段注意力特征图的传递增强了模型对图像细节的表达能力。最后，利用块递归特性对模型进行微调，有助于进一步提高高分辨率重建的精度，使得生成的图像在边缘和细节处更加清晰。

本发明授权基于元-迁移学习的高光谱图像盲超分辨率重建方法在权利要求书中公布了：1.一种基于元-迁移学习的高光谱图像盲超分辨率重建方法，其特征在于步骤如下： 步骤1、构建图像训练集：对高分辨图像进行模糊处理和数据增强，得到低分辨LR1与高分辨HR1图像对： 其中：XH和YH为HSI域的LR1和HR1数据，B表示LR1和HR1图像对应的波段数； 步骤2、预训练网络模型：对自然图像数据集DIV2K的HR图像通过双三次下采样生成LR2图像，与HR2图像形成图像对： 其中，XR和YR分别表示LR2和HR2图像，p和P表示图像的像素数，其中p＜＜P； 以LR2图像和HR2图像形成图像对对EDSR基础网络进行训练，得到预训练的三通道网络模型； 步骤3、将预训练的模型迁移到HSISR中：将步骤1得到的XH中的伪RGB图像循环输入三通道网络模型中，输入顺序遵循HSI固有的波段指数顺序；然后，将所有重建的波段沿着输入的光谱维数进行串联，以获得最终的SRHIS； 步骤4、设计退化空间pk： 退化空间pk的退化过程表示为： X＝Y*k↓s+N 其中，*表示模糊操作，k为模糊核，↓s表示尺度因子为s的下采样操作，N表示退化过程中添加的噪声； 步骤5、使用元训练进行教师网络训练：将YH分为训练集和测试集分别对应元学习中的支持集和查询集； 在退化空间pk和高分辨率高光谱图像样本YH中选择n种退化类型进行元训练，得到每种退化类型生成相应的低分辨率图像，其中，训练集生成的低分辨率图像与匹配，测试集生成的则与匹配； 步骤6、学生网络蒸馏：以知识蒸馏技术对模型进行压缩；首先从退化空间中随机选择一种退化类型，将其应用于YH生成XH，然后将XH输入到知识蒸馏网络中； 其次，利用卷积神经网络提取HSI的低级特征、中级特征和高级特征并计算了教师网络和学生网络在不同阶段的空间注意力特征图 AFM表示为： 其中，C表示特征图中的通道数，表示网络中的特征图； 知识蒸馏阶段的整体损失LKD为： 其中，蒸馏损失LK1来约束教师网络和学生网络的注意力特征图之间的差异；利用教师网络的输出作为标签来约束教师网络的输出与学生网络的输出之间的差异，构成蒸馏损失LK2；LK3为学生网络的输出与Y之间的重构损失；λ、λ、λ用来平衡这三种损失的重要性； 步骤7、使用元测试进行图像重建：对原图像Y进行通过双三次下采样得到的退化图像X，生成下采样后的X；然后使用下采样后的X和X对模型参数进行n次梯度更新；该模型充分利用内部图像信息，并对自身进行微调以适应特定的退化；最后，在X上使用微调模型得到最终的SR图像FX；θ。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。