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！

龙图腾网获悉浙江大学申请的专利一种基于扩散模型-卷积神经网络的多模态图像融合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：CN119495002B 。

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：202411507384.6，技术领域涉及：G06V10/80；该发明授权一种基于扩散模型-卷积神经网络的多模态图像融合方法是由卓成;卢旭东;孙奇;尹勋钊;姜钰琪设计研发完成，并于2024-10-28向国家知识产权局提交的专利申请。

本一种基于扩散模型-卷积神经网络的多模态图像融合方法在说明书摘要公布了：本发明公开一种基于扩散模型‑卷积神经网络的多模态图像融合方法，包括全局信息建模，局部细节特征提取，设计互补特征聚合模块，设计多样化损失函数。网络模型由基于扩散和基于CNN的两个分支组成，在扩散分支中，根据提出的时间步选择策略向原始输入X0引入噪声，并在去噪过程中提取中间特征，以实现全局信息建模；在CNN分支中，使用多尺度卷积核和注意力模块提取和整合局部详细特征；随后，利用提出的互补特征聚合模块CFAM生成基于坐标注意力的注意力图谱，以捕捉各支路特征之间的长距离依赖关系，从而实现有效聚合；最终，聚合结果被输入到融合头，以获得融合结果。

本发明授权一种基于扩散模型-卷积神经网络的多模态图像融合方法在权利要求书中公布了：1.一种基于扩散模型-卷积神经网络的多模态图像融合方法，其特征在于，包括以下步骤： S1.全局信息建模：通过引入噪声并利用去噪U-Net提取多尺度特征，利用基于扩散模型的网络分支捕获并建模图像的全局信息；在若干个时间步下，对图像执行单步的加噪-去噪过程，并提取扩散模型的中间特征用于表征全局信息，具体操作为： 首先，在扩散分支中，通过单步过程向原始输入图像X0引入高斯噪声，获得特定时间步t的噪声图像Xt，即： 其中，∈是满足独立高斯分布的噪声，是一组预定义的方差参数； 然后，将带有噪声的图像Xt输入到扩散模型中，进行单步去噪处理，计算公式如下： 其中，Xt-1是对应时间步t-1的噪声图像，z是对标准正态分布的采样，∈θXt,t是对于真实噪声的预测，σt和αt是预定义的参数，即在根据扩散时间步为t的图像预测扩散时间步为t-1的图像时，模型捕获到图像的全局特征信息； S2.局部细节特征提取：通过多尺度卷积层和混合注意力模块提取多尺度局部细节特征，并利用多尺度特征聚合器增强层次化特征表示；通过多尺度特征聚合器逐步合并各个尺度的特征，具体如下： 首先，将前置层的特征上采样与后一层的尺寸相匹配，然后通过多层感知机制生成缩放因子γ和偏置β来调节多尺度特征配比，计算公式如下： 其中，表示第k+1层卷积对应的特征，⊙表示逐元素相乘，γk是缩放参数，βk是偏移参数，通过这一过程，多尺度局部细节特征被有效融合到局部细节特征FC中，得到原始纯净图像的多尺度细节特征，与扩散支路形成互补； S3.设计互补特征聚合模块：通过在多个一维空间方向上计算强度张量，得到基于坐标注意力机制的权重图谱，捕捉全局信息与局部细节特征之间的长距离依赖关系，并利用支路互补性，进行特征聚合；互补特征聚合模块的具体工作流程如下： 首先，按照下面的公式提取支路特征F的一维正交方向注意力张量Fx和Fy： Fx,Fy＝XAPF,YAPF， 其中，XAP和YAP分别表示沿水平和垂直方向对特征进行平均池化，获得对应方向的特征显著性信息； 然后，将尺寸分别为h×1和1×w的两个一维强度张量相乘，得到尺寸为h×w的坐标注意力图谱矩阵W，该图谱反映了所有方向的长距离依赖关系，CFAM通过以下公式聚合全局信息FD和局部细节特征FC： FR＝W⊙FC+1-W⊙FD， 其中，FR表示聚合特征，通过网络训练得到坐标注意力图谱； 最后，聚合后的特征被送入融合头以生成多模态图像融合结果； S4.设计多样化损失函数：通过结合强度损失、梯度损失和余弦相似度损失，探索特征之间的互补性。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。