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！

龙图腾网获悉之江实验室;电子科技大学申请的专利一种可形变实例级图像翻译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：CN115424109B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202210987590.6，技术领域涉及：G06V10/82；该发明授权一种可形变实例级图像翻译方法是由俞再亮;苏思桐;李海燕;靖伟;刘玉;宋井宽设计研发完成，并于2022-08-17向国家知识产权局提交的专利申请。

本一种可形变实例级图像翻译方法在说明书摘要公布了：本发明涉及图像处理领域，具体涉及一种可形变实例级图像翻译方法，其解决了现有技术中，域之间差距过大而导致的实例难以形变、实例无法和掩码信息保持一致的问题。其将前景的边缘信息、背景掩码信息和目标域标签信息的特征编码进行融合，获得混合掩码；然后，将背景特征和混合掩码，输入生成器，生成器的解码网络将输入的背景特征进行解码，同时从混合掩码提取附加信息，并将提取的附加信息作用于归一化后的解码输出上，通过附加信息对归一化后的解码输出进行仿射变换，从而获得了包括对应目标域掩码的前景信息和指示前景位置的位置信息的融合信息；最终，利用位置信息将生成的前景信息和源域背景图像进行融合，输出保留源域背景的目标域图片。

本发明授权一种可形变实例级图像翻译方法在权利要求书中公布了：1.一种可形变实例级图像翻译方法，其特征在于，包括以下步骤： C1、将源域的图像掩码对及目标域的标签信息和实例掩码，输入图像翻译模型，所述图像掩码对包括一组实例掩码及其对应的图像；所述图像翻译模型包括预先训练好的图像补全模型和实例生成网络； C2、基于步骤C1输入的源域图像掩码对，首先将源域的所有实例掩码进行聚合，获得源域掩码，然后，根据源域掩码去除对应源域图像的前景，获得去除了掩码部分的剩余图像，使用图像补全模型，对剩余图像进行补全，得到源域的背景图像； C3、基于步骤C1输入的目标域实例掩码，首先将目标域的所有实例掩码进行聚合，获得目标域掩码，然后，将目标域掩码和步骤C2获得的源域背景图像BS，输入实例生成网络；所述实例生成网络包括编码器和生成器，并按如下步骤进行处理： 基于输入的源域背景图像，通过编码器，提取源域背景图像的背景特征； 基于输入的目标域掩码，通过边缘提取算法，获取其前景的边缘信息；将目标域掩码通过取反得到背景掩码信息；对目标域的标签信息进行特征编码；然后，将前景的边缘信息、背景掩码信息和目标域标签信息的特征编码进行融合，获得混合掩码； 将背景特征和混合掩码，输入生成器，所述生成器包括一个解码网络，所述解码网络将输入的背景特征进行解码，同时生成器从混合掩码提取附加信息，并将提取的附加信息作用于归一化后的解码所获得输出上，通过附加信息对归一化后的解码输出进行仿射变换，从而获得了包括对应目标域掩码的前景信息和指示前景位置的位置信息的融合信息； 最终，利用位置信息将生成的前景信息和源域背景图像进行融合，输出保留源域背景的目标域图片； 所述图像补全模型为HiFill模型；所述实例生成网络的编码器为多层的残差神经网络；所述边缘提取算法为CANNY边缘检测算法；对目标域的标签信息通过独热编码的方式，进行特征编码；通过矩阵乘法，对前景的边缘信息、背景掩码信息和目标域标签信息的特征编码进行融合； 所述实例生成网络的生成器为APADE-ResNet网络，所述APADE-ResNet网络是在ResNet网络的基础上，分别在其每一个卷积层和ReLU层之间增加APADE块所构成的神经网络，也即生成器的解码网络为ResNet网络，并通过APADE块从混合掩码提取附加信息； 所述APADE块包括两路输入，其中，一路为卷积层的输出、另一路为混合掩码； 将混合掩码缩放至APADE块输入特征维度后，输入APADE块，输入后，首先通过一个卷积层Convs，然后，将Convs的输出分别输入两个相互独立的卷积层Conv1、Conv2，生成两个嵌入向量γ和β； 卷积层的输出，在输入APADE块后，首先经过一个批归一化层，然后，将批归一化层的输出同嵌入向量γ和β按如下公式进行计算，作为APADE块的输出： Fout＝γ·Fin+β 其中，Fin表示批归一化层的输出，Fout表示APADE块的输出； 所述APADE-ResNet网络是在两层ResNet网络的基础上，增加APADE块所构成的神经网络，也即： APADE-ResNet网络的每一层均包括一个前向的神经网络分支和一个快捷分支，其中，前向的神经网络分支包括依次串联的第一卷积层、第一APADE块、第一ReLU层、第二卷积层、第二APADE块和第二ReLU层，快捷分支则在第二APADE块之后同输入之间构建跳跃，将输入加和至第二APADE块的输出后构成第二ReLU层的输入； 所述APADE-ResNet网络为多层APADE-ResNet网络，其首层的输入为背景特征和混合掩码，首层后各层的输入为上一层的输出和混合掩码；层间通过上采样进行放大，使得最终输出与源域图像具有相同尺寸。

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之江实验室;电子科技大学，其通讯地址为：311100 浙江省杭州市余杭区文一西路1818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。