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！

龙图腾网获悉西安工业大学申请的专利一种基于StyleGAN-V算法的无人驾驶场景生成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：CN119625095B 。

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：202411653106.1，技术领域涉及：G06T11/00；该发明授权一种基于StyleGAN-V算法的无人驾驶场景生成方法是由孙梦宇;王鹏;孙博轩;李晓艳;邸若海;李亮亮;洪伟;王浩;王冠群;郜辉设计研发完成，并于2024-11-19向国家知识产权局提交的专利申请。

本一种基于StyleGAN-V算法的无人驾驶场景生成方法在说明书摘要公布了：本发明公开了一种基于StyleGAN‑V算法的无人驾驶场景生成方法，其实现步骤是：首先采集真实恶劣天气驾驶场景视频，对其进行预处理构建数据集；然后初步构建视频生成模型；再构建结合时序激励与时序位移的时序特征提取模块，对视频的时序特征进行提取；之后在生成过程中引入联合损失函数约束；最后计算改进后的损失函数，更新视频生成模型参数，持续进行训练直到完成生成模型。本发明能够逼真地模拟恶劣天气下的驾驶场景，经实验验证，该方法能够有效提升生成视频的连贯性和动态特征的捕捉能力，不仅提升了恶劣天气下驾驶模拟场景的真实性，提高了对视频中细微动作变化的感知能力，还在视频的动态特征和画面连续性方面取得了更好的表现。

本发明授权一种基于StyleGAN-V算法的无人驾驶场景生成方法在权利要求书中公布了：1.一种基于StyleGAN-V算法的无人驾驶场景生成方法，其特征在于：包括以下步骤： 步骤一、采集真实恶劣天气驾驶场景视频，对其进行预处理，构建数据集； 步骤二、初步构建视频生成模型，其步骤包括： 2.1构建基于结合深度自编码结构的运动特征提取模块； 所述步骤2.1中，结合深度自编码结构的运动特征提取模块的输入由两部分组成：当前运动T和前t帧运动；结合深度自编码的运动特征提取模块由深度自编码结构变形而成，在深度自编码结构中增加过去运动序列p作为输入；当前运动T为单帧的运动数据，作为网络模型的x输入，前t帧运动为当前运动T的前t帧运动数据，作为网络模型中过去的运动序列p的输入； 2.2将预训练得到的参数用来初始化运动特征提取模块； 2.3对数据集中驾驶场景视频的运动特征使用运动特征提取模块进行提取，将高维的运动数据映射到低维的特征空间； 2.4利用得到的运动特征对生成图像进行约束，完成视频生成模型的初步构建； 所述步骤2.4，在深度自编码结构的编码和解码阶段中，首先将原始运动数据映射到隐层特征，然后再恢复为原始运动数据，生成重构后的运动数据；通过对重构数据和输入数据建立约束关系，构建网络的损失函数，定义如下： 其中，lx,θ是损失函数，表示网络的损失；θ表示网络的参数；x为输入运动；为输出运动；是输入运动和重构运动的均方误差项，表示输入和输出之间的差异；λ||θ||1是正则化项，表示对网络参数的约束，用于防止过拟合； 步骤三、构建结合时序激励与时序位移的时序特征提取模块，对视频的时序特征进行提取； 所述步骤三中，构建时序激励模块的步骤是： 首先将二维输入N*T,C,H,W重塑为N,C,T,H,W，通过对输入进行空间上的平均池化来代表输入特征的全局空间信息，可以表示为： 其中，X表示输入特征图，表示经过压缩后的特征图，c、t分别代表输入特征图的通道数、时间维度，i、j分别代表输入特征图的空间高度和宽度；H和W是图像的空间分辨率；N是批次大小，C是通道数，T是时间维度； 然后使用Sigmoid激活函数，得到不同时间帧上的权重分布，并与原始的特征图进行点乘，得到经过时序激励的特征图，时序激励的公式如下所示： 其中，⊙表示点乘运算，将经过时序激励后的权重分配到原始的特征图上，Γ表示激活值的学习，使用两个全连接层来完成； 步骤四、在生成过程中引入联合损失函数约束； 步骤五、计算改进后的损失函数：完成前向传播后，采用随机梯度下降方法对模型进行反向传播，不断调整模型参数，逐步最小化损失函数； 步骤六、更新视频生成模型参数，持续进行训练，判断是否达到迭代次数并收敛，达到，则训练完成生成模型；未达到，返回步骤1继续训练。

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工业大学，其通讯地址为：710032 陕西省西安市未央区学府中路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。