Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 同济大学倪张凯获国家专利权

同济大学倪张凯获国家专利权

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!

龙图腾网获悉同济大学申请的专利一种面向高动态范围重建的感知伪影检测和消除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:CN120031852B

龙图腾网通过国家知识产权局官网在2025-11-14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:202510176766.3,技术领域涉及:G06T7/00;该发明授权一种面向高动态范围重建的感知伪影检测和消除方法是由倪张凯;吴杭设计研发完成,并于2025-02-18向国家知识产权局提交的专利申请。

一种面向高动态范围重建的感知伪影检测和消除方法在说明书摘要公布了:本发明涉及HDR重建领域,具体涉及多曝光LDR图像重建HDR图像的任务。提出了一种面向高动态范围重建的感知伪影检测和消除方法,包括以下步骤:步骤1建立HDR‑AD数据集;步骤2构造HDR‑ADet模型并训练;基于ViT搭建伪影检测器HDR‑ADet,并使用HDR‑AD数据集来训练这个检测器;以定位图像中的伪影区域;步骤3将HDR‑ADet得到的伪影掩码用于微调HDR重建模型,以提升模型重建HDR图像的质量;通过将HDR‑ADet集成到HDR重建框架的损失函数计算过程,用于提升模型重建HDR图像的质量。本发明能够提升HDR成像质量,不仅在定量指标上取得突破,同时还更加贴近人类视觉感受。

本发明授权一种面向高动态范围重建的感知伪影检测和消除方法在权利要求书中公布了:1.一种面向高动态范围重建的感知伪影检测和消除方法,其特征在于,包括以下步骤: 步骤1建立HDR-AD数据集 为了实现检测HDR图像中伪影区域的目标,首先构造高质量的HDR-AD数据集:在不同曝光下获取LDR图像,使用现有HDR重建模型推理得到HDR图像,人工逐像素标注得到的掩码; 步骤2构造HDR-ADet模型并训练 基于ViT搭建伪影检测器HDR-ADet,并使用HDR-AD数据集来训练这个检测器;以定位图像中的伪影区域; 步骤3将HDR-ADet得到的伪影掩码用于微调HDR重建模型,以提升模型重建HDR图像的质量 因为伪影与人类的视觉感知关联度很高,HDR-ADet得到的伪影掩码可以被认为是人类对于HDR图像重建质量的反馈,通过将HDR-ADet集成到HDR重建框架的损失函数计算过程,用于提升模型重建HDR图像的质量; 所述HDR-ADet网络包括:特征骨干提取网络、特征融合瓶颈和检测头;骨干网络和头部架构进行检测任务,并结合了一个融合瓶颈,以更好地整合跨多个尺度的特征; 具体步骤如下: 步骤2.1构造特征骨干提取网络 所述特征提取骨干网络采用了混合窗口注意力策略,该策略将窗口注意力与多个跨窗口块结合在一起;具体的,给定一个输入HDR图像I,图像经过补丁嵌入和Transformer块处理;输出是最终的特征图F,补丁大小为16;这个过程正式表达如下: 其中,V是基于窗口ViT的特征提取骨干网络; 步骤2.2构造特征融合瓶颈 由于HDR图像中的伪影在形状和大小上各不相同,提出了一个多尺度特征融合网络,以从特征提取骨干网络的输出中提取不同尺度的特征; 具体的,来自骨干网络的特征图F通过一系列卷积、池化和反卷积层生成多尺度特征,每个尺度的特征图代表了图像在不同分辨率下的信息,从而能够捕捉到从大范围的粗略信息到局部细节的各种特征;卷积层负责提取局部特征,池化层帮助降低空间维度并增强对图像整体信息的关注,而反卷积层则通过上采样操作恢复细节信息; 其中,i的取值范围为1,2,3,4,表示不同尺度的特征,依次为132,116,18,14的特征图,是一系列卷积、池化和反卷积层; 引入全局信息提取机制,该机制从特征图中提取全局上下文信息,具体通过全局池化或全局特征提取模块来完成;全局信息捕捉到整个图像范围内的宏观结构和背景信息,全局信息提取过程如下所示: 接下来,本将提取到的全局信息上采样至每个尺度特征的空间大小;上采样操作会将全局信息转换为与每个尺度的特征图相匹配的空间维度,使得全局信息可以与局部特征进行有效结合;通过这种方式,全局信息为每个尺度特征提供了补充的上下文信息,从而帮助网络更好地理解图像的整体结构,并增强伪影的检测精度: 其中U表示上采样操作; 步骤2.3构造检测头 首先,将多尺度特征上采样到输入HDR图像大小的14并进行拼接; 然后,使用两个MLP层来融合特征并生成最终的预测; MLP解码器MLP·可以公式化如下: 其中是预测得到的伪影掩码; 步骤2.4训练HDR-ADet网络 使用数据集HDR-AD对伪影检测器HDR-ADet进行有监督训练,冻结其中的骨干网络,只更新特征融合瓶颈和检测头的参数。

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同济大学,其通讯地址为:200092 上海市杨浦区四平路1239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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。