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！

龙图腾网获悉西安电子科技大学申请的专利面向语义通信不依赖发送端模型的生成式图像压缩系统及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：CN119743612B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411852752.0，技术领域涉及：H04N19/42；该发明授权面向语义通信不依赖发送端模型的生成式图像压缩系统及方法是由宋晓丹;郑荣灿;石光明;左旭光;牛毅;李甫;高大化;谢雪梅设计研发完成，并于2024-12-16向国家知识产权局提交的专利申请。

本面向语义通信不依赖发送端模型的生成式图像压缩系统及方法在说明书摘要公布了：本发明公开了面向语义通信不依赖发送端模型的生成式图像压缩系统及方法，包括编码器和解码器；所述编码器用于对自然图像进行语义信息提取，并利用率失真优化对所提取语义信息数据进一步优化；所述解码器用于对编码器通过信道传递过来的优化后的语义信息进行复原，再通过多模态生成式模型重建图像。本发明提出的图像压缩系统以人类可以理解的模态作为中间表示，解码器无需事先知道编码器所使用的特定模型；系统中包含一个基于掩码的率失真优化模块，能够有效去除中间模态的与语义低相关的信息，保持重建图像的感知质量并降低比特率。

本发明授权面向语义通信不依赖发送端模型的生成式图像压缩系统及方法在权利要求书中公布了：1.面向语义通信不依赖发送端模型的生成式图像压缩方法，其特征在于，包括以下步骤； 步骤1：给定图像，首先在编码器处从图像中提取语义信息，获得语义信息数据；为文本、草图、实体掩码； 步骤2：然后，对所述语义信息数据进行率失真优化，去除与任务无关的细节，之后进行编码； 步骤3：在解码端，解码后的语义信息通过一个多模态图像生成模型来重建原始图像； 所述步骤1具体为： 步骤1：给定输入图像x，图像到文本模型Gtext·，得到输入图像的描述性文本Ctext＝Gtextx；基于MiniCPM-V2.6从输入图像得到对应的描述性文本； 步骤2：给定输入图像x，图像到条件模型Gcondition·，得到包含输入图像语义信息的特定条件Gcondition＝Gconditionx；基于ControlNet中的HED检测器从输入图像得到对应的草图； 步骤3：给定输入图像x，图像到掩码模型Gmask·，得到输入图像的实体掩码集合M＝Gmaskx，基于SegmentAnythingModel从输入图像中得到对应的掩码集合； 所述步骤2具体为，基于掩码对草图进行率失真优化，得到优化后的草图， 具体过程为： 给定以下输入： 草图Ccondition，即图像到条件模型的输出、掩码集合M、面积阈值Amin、原始图像Ioriginal为输入图像x、权重λ； 步骤1：初始化： RDopt＝∞,maskopt＝zeros,Mfiltered＝{} 其中，RDopt为最优的率失真值，maskopt为对应的最优掩码，Mfiltered为经过面积过滤的掩码集合； 步骤2：掩码过滤： Mfiltered＝{m∈M|Am≥Amin} 其中，Am是计算掩码m的面积； 步骤3：排序： 对Mfiltered进行升序排序得到Msorted 步骤4：率失真优化： 对于M_sorted中的每个掩码m，执行以下步骤； mcurrent＝maskopt∪, Ccurrent＝DecodeEncodeCcondition·mcurrent Igenerated＝MultiModalImageGenerationCcurrent RD＝BitRateCcurrent+λ·DistortionIgenerated,Ioriginal 其中，Decode·为解码操作，Encode·为编码操作，mcurrent为当前迭代的掩码，Ccurrent为当前迭代的草图，Igenerated为当前迭代的生成图像，RD为当前迭代的率失真值，MultiModalImageGeneration·为多模态图像生成,BitRate·为计算输入条件的码率，Distortion·为计算生成图像与原始图像之间的失真值； 如果RDRDopt，则更新： RDopt＝RD，maskopt＝mcurrent 步骤5：输出： 输出优化后的草图Copt＝Ccondition·maskopt。

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安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。