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西安光学精密机械研究所申请的专利一种基于扩散模型的端到端湍流抑制数据集增广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：CN120339758B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202510823192.4，技术领域涉及：G06V10/774；该发明授权一种基于扩散模型的端到端湍流抑制数据集增广方法是由赵瑞妮;王形锋;冯旭斌;谢梅林;郭敏设计研发完成，并于2025-06-19向国家知识产权局提交的专利申请。

本一种基于扩散模型的端到端湍流抑制数据集增广方法在说明书摘要公布了：本发明提供了一种基于扩散模型的端到端湍流抑制数据集增广方法，用于解决现有对湍流退化过程的时空相关性进行精确表征的方法存在的计算量大、计算时间长，或者生成的相位屏高低频信息的不足，作用于清晰真值图像上视觉效果较差的技术问题。本发明基于扩散模型的端到端湍流抑制数据集增广方法，通过扩散模型直接从清晰图像生成新的湍流退化条件图下的湍流退化图像，实现端到端湍流抑制数据集的增广，可以为基于数据驱动的湍流退化图像复原算法提供大规模、高质量及无限接近实际观测的图像样本，实现对复杂的大气湍流条件的模拟，进而提升地基大口径光学望远镜的观测能力。

本发明授权一种基于扩散模型的端到端湍流抑制数据集增广方法在权利要求书中公布了：1.一种基于扩散模型的端到端湍流抑制数据集增广方法，其特征在于，包括以下步骤： 步骤1，构建训练集和测试集；所述训练集中的数据包括对应的湍流退化图像D、清晰图像V和湍流退化条件图T，测试集中的数据包括对应的清晰图像V和湍流退化条件图T； 步骤2，搭建扩散模型，所述扩散模型包括按输入输出依次连接的正向加噪单元、噪声预测网络和反向去噪单元； 步骤3，生成与湍流退化图像D尺寸相同的随机高斯噪声ε，通过所述正向加噪单元将随机高斯噪声ε加至湍流退化图像D上，获得不同时间步下的带噪图像Di； 步骤4，将不同时间步下的带噪图像Di分别与训练集中的清晰图像V和湍流退化条件图T按通道进行拼接，拼接后与对应时间步一起送入噪声预测网络中进行迭代训练，获得训练好的噪声预测网络；噪声预测网络进行迭代训练时，通过噪声预测损失函数、结构损失函数以及边缘损失函数共同对噪声预测网络进行优化； 所述噪声预测损失函数为Charbonnier损失函数；所述结构损失函数为多尺度结构函数；所述边缘损失函数为总变差TV函数； 步骤5，对测试集中湍流退化条件图T的倾斜方向、倾斜作用半径、模糊作用半径及模糊程度进行修改，获得新的湍流退化条件图Tnew；同时定义一个与湍流退化图像D尺寸相同的新的随机高斯噪声ε1，并将新的随机高斯噪声ε1、测试集中的清晰图像V及新的湍流退化条件图Tnew按通道拼接，拼接后送入训练好的噪声预测网络中，使训练好的噪声预测网络输出预测噪声 对测试集中湍流退化条件图T的倾斜方向、倾斜作用半径、模糊作用半径及模糊程度进行修改具体为： 所述测试集中湍流退化条件图T各通道的各视场分别采用0-2范围内的任意实数作为对应的影响因子，各通道中各视场的不同影响因子与湍流退化条件图T逐像素相乘对湍流退化条件图T进行修改；其中，通过湍流退化条件图T的第一个通道修改倾斜方向，通过第二个通道修改倾斜作用半径，通过第三个通道修改模糊作用半径，通过第四个通道修改模糊程度； 步骤6，通过所述反向去噪单元对步骤5中获得的预测噪声进行反向去噪，获得新的湍流退化条件图Tnew下的湍流退化图像Dnew，完成基于扩散模型的端到端湍流抑制数据集增广；所述反向去噪单元采用DDIM采样方式进行反向去噪。

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西安光学精密机械研究所，其通讯地址为：710119 陕西省西安市高新区新型工业园信息大道17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。