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！

龙图腾网获悉浙江工业大学申请的专利基于深度信息与随机Dropout的无监督视频插帧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：CN119342215B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411368317.0，技术领域涉及：H04N19/132；该发明授权基于深度信息与随机Dropout的无监督视频插帧方法是由鲍俊洁;黄国兴;卢为党;黄文泉;张清清;张昱设计研发完成，并于2024-09-29向国家知识产权局提交的专利申请。

本基于深度信息与随机Dropout的无监督视频插帧方法在说明书摘要公布了：一种基于深度信息与随机Dropout的无监督视频插帧方法，包括以下步骤：步骤一、通过model产生预测帧It；步骤二、对训练model的训练集进行预处理；步骤三、通过model产生预测帧；步骤四、更新model的损失值计算；步骤五、通过得出的损失值对模型进行更新；步骤六、使用测试数据对训练好的model进行测试。本发明在专家模型添加Dropout层，来减少过拟合带来的影响；本发明还提出了引入深度信息来对物体的前后关系进行判断，解决物体遮挡引起的模糊问题，进一步提升了模型的预测效果。

本发明授权基于深度信息与随机Dropout的无监督视频插帧方法在权利要求书中公布了：1.一种基于深度信息与随机Dropout的无监督视频插帧方法，其特征在于，所述方法包括以下步骤： 步骤一、通过model产生预测帧：从待插帧的低帧率视频中提取两帧连续视频帧,输入后产生预测帧，model的作用为：输入两帧的图像,，输出两帧间任意时间的插帧，表示为： 1 其中，表示训练的模型model； 步骤二、对训练model的训练集进行预处理，输入高帧率训练集TRAIN_DATA，训练集插帧数num_interp，输出低帧率训练集TRAIN_LOADER； 步骤三、通过model产生预测帧，将TRAIN_LOADER中的一组数据输入至待训练的model，输出预测帧； 步骤四、更新model的损失值计算； 步骤五、通过得出的损失值对模型进行更新：模型的更新采用梯度更新的方式，优化器为Adam，每训练一幕数据就调用optimizer.step来进行参数更新；将所有训练的视频帧训练一次算作一个周期，求取一个周期中每一幕的训练损失值的总和epoch_loss，该值作为进行学习率的更新的依据，更新的方式采用ReduceLROnPlateau，当学习率小于1e-7时结束训练，并保存此时的model； 步骤六、使用测试数据对训练好的model进行测试； 所述步骤一的过程如下： 步骤1.1：通过神经网络model获取输入视频帧的光流及视域地图，在光流映射模块中表示的是使用光流和对输入帧进行映射，光流通过U-net1产生的两帧之间的光流来进行近似估计； 假设光流的变化是平滑的，通过视频帧间的光流实线预测光流虚线，使用式2进行估计： 2 其中，表示像素由T=0变换到T=1的光流，表示像素由T=1变换到T=0的光流，表示像素由T=t变换到T=0的光流，表示像素由T=t变换到T=1的光流； 视域地图只通过网络生成一个，另一个由式3直接生成，将结果输入到合成预测帧模块产生预测帧，预测帧的产生实现如式4； 3 4 其中，表示视域地图，表示归一化因子； 步骤1.2：使用深度信息对视域地图进行修正并合成预测帧； 输入的前后两帧数据为和，产生的预测帧为，将前后两帧数据，即和放预训练的网络后，获得各自的深度，通过式5对结果进行归一化处理得到归一化处理后的深度depth，通过式6将前后两帧数据的depth相减得到两帧的深度差值dif，当两帧的深度出现变化时，就表示在区域出现了遮挡，通过该深度差值来对视域地图进行修改， 5 6 其中，表示归一化处理后的深度，表示归一化处理后的深度； 通过式7，使dif较小时直接将值置零，通过式8对dif进行进一步处理， 7 8 其中，sigmoid为一个激活函数，其输出∈0,1； 采用视域地图对式4进行修正，将修正系数引入合成预测帧模块即将式4修改为式9 9； 所述步骤四的过程如下：利用产生的预测帧进行损失值的计算损失值的计算由五部分组成，其定义如式13 13 、、、、分别表示损失值的相关参数，表示循环重建帧与真实值间的差距，其定义如式式14，表示隐藏的中间帧与伪中间帧的接近程度，其定义如式15，表示感知损失的大小，它用VGG-16模型的conv4-3特征表示，其定义如式16所示，表示帧按照预测的光流进行变化后的产生的损失，其定义如式17，表示光流变化的快慢，用以强制进行平滑度约束，其定义如式18， 14 15 其中，表示专家模型，是SuperSloMo模型通过大量高帧率视频有监督地训练出来的； 16 17 18 损失函数的大小由和决定，通过循环一致性的方法进行损失值的计算，引入了来进行指导，并引入了Dropout来增强模型训练的泛化能力。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区朝晖六区潮王路18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。