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！

龙图腾网获悉深圳市瑞云科技股份有限公司申请的专利一种云渲染平台集成图片超分辨率重建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：CN119831841B 。

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：202411893421.1，技术领域涉及：G06T3/4053；该发明授权一种云渲染平台集成图片超分辨率重建方法是由陈柏成;高斌;邹琼;周双全设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本一种云渲染平台集成图片超分辨率重建方法在说明书摘要公布了：本发明公开一种云渲染平台集成图片超分辨率重建方法，先训练出用于执行超分辨率重建的中间件，并将中间件集成至云渲染平台的部署到显卡机器硬件上；在需要执行超分无损放大任务时，云渲染平台进行逻辑处理，调用中间件的api接口，中间件请求访问原任务的图片存储地址，获取到低分辨率的图片后进行AI放大处理，最后将生成的等比例高清放大的渲染产物图片输出到云渲染平台上。本发明通过在云渲染平台上集成了图片超分辨率重建技术，可以在云端生成等比例高清放大的渲染产物图片。生成的等比例高清放大的渲染产物图片，满足用户对于高质量图像的需求，提升用户体验及减少了渲染成本。

本发明授权一种云渲染平台集成图片超分辨率重建方法在权利要求书中公布了：1.一种云渲染平台集成图片超分辨率重建方法，其特征在于，包括以下步骤： S1：收集大量的高分辨率图像作为训练数据集，这些图像应包含不同场景、物体和不同光照条件下的细节； S2：使用基于生成对抗网络的深度卷积神经网络，其具有多个层级和不同的卷积核，以便捕捉图像中的不同细节； S3：将训练数据集的图片用于训练，定义训练函数、损失训练函数及优化器，通过循环迭代数据集并调用训练函数进行GAN训练，同时输出训练进度，不断调整损失函数、优化器、超参数，直到得到符合要求的训练效果； S4：使用深度学习库提供的反卷积函数实施上采样，通过上采样操作可以将低分辨率图像放大到目标尺寸； S5：通过调整卷积核的大小、步幅、通道数参数，以捕获图像的局部和全局特征对图片进行特征重建； S6：在生成图像的过程中引入去噪和平滑处理以提高放大图像的质量； S7：经过训练和评估后，打包成为一个中间件，部署到显卡机器硬件上，应用到实际的图像放大任务中，对输入的低分辨率图像进行放大处理； S8：对于渲染完成的渲染任务，在原任务的基础上提交超分无损放大任务，并传入放大倍数； S9：对于超分无损放大任务，加上特殊标记，与其他普通渲染任务隔离，同时隔离调度的渲染节点机；指定超分无损放大任务调度的机器是部署有中间件的GPU机器； S10：无损放大任务提交后，云渲染平台进行逻辑处理，调用中间件的api接口，中间件请求访问原任务的图片存储地址，获取到低分辨率的图片后进行AI放大处理，最后将生成的等比例高清放大的渲染产物图片输出到云渲染平台上； S11：在用户界面显示预览放大后的图片，并供用户下载； 在步骤S5中，过程涉及到提取一张图片的风格特征，并将其应用到另一张图片的内容特征上；具体如下： S51：捕获局部特征，即捕获细节特征； 卷积核大小：从较小的卷积核开始，捕捉到图像的局部细节和边缘信息； 步幅：使用步幅为1； 填充：使用“same”填充，以保持特征图的尺寸，避免在边缘丢失重要信息； 通道数：在初始层使用较少的通道数，随着网络的深入逐渐增加，以捕获更复杂的特征； S52：捕获全局特征，即捕获风格特征； 卷积核大小：随着网络层次的加深，使用更大的卷积核，以捕获更广泛的特征； 步幅：使用步幅为1，以保留更多的信息； 填充：继续使用“same”填充； 通道数：随着网络层次的加深，增加通道数，以捕获更抽象的风格特征； S53：特征重建，通过解码器操作； 卷积核大小：在解码器部分，再次使用较小的卷积核，以精细地重建图像内容； 步幅：使用步幅为1，以精确地重建特征图； 填充：使用“same”填充，以保持特征图的尺寸； 通道数：在解码器中，通道数会逐渐减少，直到输出层的通道数与目标图像的通道数相匹配； 上采样：在解码器中，使用上采样来增加特征图的尺寸，同时减少通道数，以重建图像的细节。

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深圳市瑞云科技股份有限公司，其通讯地址为：518000 广东省深圳市南山区南山街道商华路2号阳光科创中心B座17层；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。