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！

龙图腾网获悉复旦大学申请的专利一种鲁棒的自监督图像去噪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：CN115456908B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202211192386.1，技术领域涉及：G06T5/70；该发明授权一种鲁棒的自监督图像去噪方法是由谭伟敏;颜波;黄辰宇设计研发完成，并于2022-09-28向国家知识产权局提交的专利申请。

本一种鲁棒的自监督图像去噪方法在说明书摘要公布了：本发明属于数字图像处理技术领域，具体为一种基于构造成对噪声样本的鲁棒的自监督图像去噪方法。本发明方法包括：通过预去噪网络获取带噪图像的粗糙去噪图像；以组为单位将原始带噪图像与粗糙去噪图像做差得到近似真实分布的噪声；将成组的噪声执行组内循环移位操作两次，其结果分别与粗糙去噪图像相加，得到两组成对带噪样本；利用构造的成对带噪样本和一个不确定性感知的损失函数训练一个双分支去噪网络，使其去噪性能和鲁棒性得以提升。实验结果表明，本方法克服了之前自监督图像去噪方法的缺陷，有效提升了去噪图片的清晰度，同时本方法中构造带噪样本的方式具有较强的实用价值。

本发明授权一种鲁棒的自监督图像去噪方法在权利要求书中公布了：1.一种基于构造成对噪声样本的鲁棒的自监督图像去噪方法，其特征在于，具体步骤如下： 1预去噪：采用N2V去噪模型对带噪图像进行粗糙去噪； 2构造成对带噪样本：采用原始带噪图像和粗糙去噪图像，通过加减法和移位操作构造成对的噪声样本； 3训练双分支去噪网络：利用步骤2构造的成对噪声样本训练一个双分支去噪网络，训练过程中采用不确定性感知的损失函数约束网络，从而显著提升网络的去噪表现和鲁棒性； 步骤1中使用N2V去噪模型，记作，对一组带噪图像：进行预去噪，得到相对应的粗糙去噪结果：，其中数字下标标记不同的带噪图像；即： ； 步骤2中所述构造成对带噪样本的流程为： 首先，通过求带噪图像和粗糙去噪结果的差异来获取接近真实分布的噪声组：，即： ； 此时噪声组内的噪声是独立同分布的； 其次，对噪声组执行两次循环移位操作，得到两组仅顺序不同的噪声组，记为N1和N2；具体操作为，将噪声组中位于第一位的噪声移动至最后一位，重复两次，即有： ； 最后，将两组噪声与粗糙去噪结果分别相加，构造成对的带噪样本组：； ； 通过上述过程构造出的两张成对带噪图像，具有相同的“干净”场景和独立同分布的噪声，其中*代表任意的数字下标； 步骤3中所述利用步骤2构造的成对带噪样本训练一个双分支去噪网络，具体为：将成对带噪样本中的一个带噪样本作为双分支网络的输入，另一个带噪样本作为网络所要学习的目标；其中，所述双分支去噪网络在DnCNN的基础上构建得到，DnCNN前两层是卷积层和ReLU激活层，之后是15个由卷积层、批量归一化层和ReLU激活层构成的模块，最后一层是卷积层；在DnCNN网络中间处接入由卷积层、批量归一化层和ReLU激活层模块堆叠7次而构成的一个网络模块，作为双分支网络的一个去噪分支；原DnCNN中后半部分为另一分支，为不确定性分支；两个分支网络共享DnCNN的前半部分；分支网络中卷积层的卷积核大小为3×3；去噪分支输出为去噪后图像，不确定性分支输出为不确定性图； 双分支网络训练过程中，采用一个不确定性感知的损失函数： ； 其中，K代表带噪样本数据集含有样本的总数，代表双分支网络中输出去噪结果的分支，是双分支网络中预测不确定性的分支输出结果； 不确定性分支输出的不确定性图在像素级衡量分支输出的去噪结果的置信程度，即，在中，数值较大的像素区域具有的不确定性较高，与之对应的输出的去噪结果中的区域具有较低的置信度，也就是不确定性高的像素值更加偏离真实的干净图像的像素值。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。