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！

龙图腾网获悉北京理工大学申请的专利一种大型多模态模型引导的自适应图像雾气去除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：CN119693272B 。

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：202411529461.8，技术领域涉及：G06T5/77；该发明授权一种大型多模态模型引导的自适应图像雾气去除方法是由张睿堃;杨浩;杨焱;潘利源;杨宗霖;刘恩齐;董静涛设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本一种大型多模态模型引导的自适应图像雾气去除方法在说明书摘要公布了：本发明公开的一种大型多模态模型引导的自适应图像雾气去除方法，属于视觉信息处理技术领域，适用于雾天场景图像处理方面。本发明实现方法为：1、用预训练的大型多模态模型获得退化先验；2、雾气图像与退化先验输入至MoE‑SSM模型中进行训练，用于动态调整模型参数，进而进行动态感知去雾；3、利用浅层特征Fs和优化特征进行融合，重建干净无雾的图像；4、用干净无雾的图像与真值清晰图像利用如式8所示的Charbonnier损失函数训练神经网络，用于惩罚恢复图像与真值清晰图像的偏差，并鼓励一致的图像梯度；与现有技术相比，解决现有去雾模型图像处理中感受野与计算效率的折衷处理问题，同时减少大量标注数据的需求，进而提高了图像处理精准度与稳定性。

本发明授权一种大型多模态模型引导的自适应图像雾气去除方法在权利要求书中公布了：1.一种大型多模态模型引导的自适应图像雾气去除方法，其特征在于：包括以下步骤， 步骤1：利用预训练的大型多模态模型获得退化先验； 步骤2：将雾气图像与退化先验输入至MoE-SSM模型中进行训练，用于动态调整模型参数，进而进行动态感知去雾； 步骤2.1：将雾气图像通过MoE-SSM的卷积层获得浅层特征Fs； 步骤2.2：利用LayerNorm层对浅层特征提取长距离依赖特征Fln； 步骤2.3：基于退化先验采用如式4所示的方式对进行模块索引的动态选择； 其中，v表示中前K个最大元素的选定索引； 步骤2.4：利用步骤2.3得到的选定索引v采用如式5所示的方式进一步提取细化特征： 其中，输入特征是中第i个最大元素，SSBvi·是所有候选SSM模块中的第vi个SSB，SSB即SSM模块，是逐元素乘法；SSB用于建模长距离像素依赖关系；每个SSB依次包含一个深度卷积层、一个SiLU激活函数、一个2D-SSM层和一个LayerNorm层；根据退化先验采用自适应策略选择不同的SSB； 步骤2.5：将细化特征和浅层特征采用如式6所示的方式进行获得融合特征； 其中，TK·,·表示前K位专家选择机制，Linear·和分别是全连接层和逐元素乘法；按照传统的Transformer架构，我们将Fs和Fd做逐元素加法，并将结果依次通过LayerNorm、卷积层和注意层，以获得输出； 步骤2.6：循环执行步骤2.1至步骤2.5，采用如式7所示的方式获得优化特征 其中，Fs是通过卷积层从Ih得到的特征,δ是可学习的比例因子，H是所采用的MM模块的数量；MM表示MoE-SSM的单一模块，即混合专家-状态空间模型的单一模块；MM·,·,·表示多个MM模块的处理； 步骤3：利用浅层特征Fs和优化特征进行融合，重建干净无雾的图像； 步骤4：利用干净无雾的图像与真值清晰图像利用如式8所示的Charbonnier损失函数训练神经网络，用于惩罚恢复图像与真值清晰图像的偏差，并鼓励一致的图像梯度； 其中，∈＝10-3是所有实验中的常数。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。