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！

龙图腾网获悉之江实验室申请的专利图像生成方法、装置、设备、可读存储介质和程序产品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：CN120318362B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202510797338.2，技术领域涉及：G06T11/00；该发明授权图像生成方法、装置、设备、可读存储介质和程序产品是由戴晶帼;张瑜;王辰;李昊;郝永富设计研发完成，并于2025-06-16向国家知识产权局提交的专利申请。

本图像生成方法、装置、设备、可读存储介质和程序产品在说明书摘要公布了：本申请涉及一种图像生成方法、装置、设备、可读存储介质和程序产品。所述方法包括：获取符合第一质量要求的目标模态图像和符合第二质量要求的参考模态图像；其中，第一质量要求小于第二质量要求；对目标模态图像和参考模态图像进行特征解耦，得到参考模态图像的内容特征和目标模态图像的属性特征；对属性特征和内容特征进行融合，得到跨模态融合特征；获取高斯噪声，将跨模态融合特征作为条件输入，对高斯噪声进行去噪处理，得到隐式特征；对隐式特征进行解码，得到符合第二质量要求的第二目标模态图像。采用本方法能够提高图像细节还原能力，进而提高重建图像的精准性。

本发明授权图像生成方法、装置、设备、可读存储介质和程序产品在权利要求书中公布了：1.一种图像生成方法，其特征在于，所述方法包括： 获取符合第一质量要求的目标模态图像和符合第二质量要求的参考模态图像；其中，所述第一质量要求小于所述第二质量要求； 对所述目标模态图像和所述参考模态图像进行特征解耦，得到所述参考模态图像的内容特征和所述目标模态图像的属性特征；所述特征解耦是利用训练好的多模态特征解耦网络进行解耦； 对所述属性特征和所述内容特征进行融合，得到跨模态融合特征； 获取高斯噪声，将所述高斯噪声作为输入，所述跨模态融合特征作为条件输入，输入至训练好的隐式扩散模型进行逐步去噪，得到隐式特征； 对所述隐式特征进行解码，得到符合所述第二质量要求的第二目标模态图像； 其中，所述多模态特征解耦网络的训练方式包括： 构建所述多模态特征解耦网络中自编码器的第一总损失函数，以及所述多模态特征解耦网络中解耦模块的第二总损失函数； 获取用于训练所述多模态特征解耦网络的第一样本图像集，其中，所述第一样本图像集包括多组不同模态下的至少两个质量要求的图像组； 针对所述第一样本图像集中的第一图像使用预设图像模板配准到每个所述第一图像的个体空间，得到各自对应的多通道初始组织概率图； 根据每个所述第一图像和所述第一图像各自对应的所述初始组织概率图，对所述自编码器进行训练，当所述第一总损失函数的第一函数值小于第一阈值，完成所述自编码器的训练； 获取第二样本图像集，根据所述第二样本图像集训练所述解耦模块，当所述解耦模块的第二总损失函数的第二函数值小于第二阈值，完成所述解耦模块的训练，得到训练好的多模态特征解耦网络； 所述隐式扩散模型的训练包括： 构建所述隐式扩散模型的第三总损失函数； 获取用于训练所述隐式扩散模型的第三样本图像集，其中，所述第三样本图像集包括多组至少一个质量要求的图像组；每个所述图像组中包括至少两种模态； 对所述第三样本图像集中的第三图像进行高斯模糊处理，得到高频细节图； 针对所述第三样本图像集中的每个图像组，利用训练好的多模态特征解耦网络对所述图像组进行特征解耦，得到内容特征和属性特征，对满足第二质量要求的参考模态图像获得的所述内容特征进行解码，得到优化后的组织概率图； 对所述第三图像经过编码器获得的影像特征进行逐步加噪处理，得到目标高斯噪声； 以所述目标高斯噪声为反向去噪起点，所述跨模态融合特征作为控制条件，输入至所述隐式扩散模型的去噪网络进行逐步去噪，得到每一步去噪的噪声预测和最终输出的预测图像； 根据所述噪声预测、所述高频细节图、所述组织概率图、所述内容特征、所述属性特征和所述预测图像确定所述第三总损失函数的函数值，当所述第三总损失函数的函数值小于第三阈值，完成所述隐式扩散模型的训练，得到训练好的隐式扩散模型。

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之江实验室，其通讯地址为：311121 浙江省杭州市余杭区中泰街道科创大道之江实验室；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。