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！

龙图腾网获悉华侨大学申请的专利基于混合池化Transformer的轻量级图像超分辨率方法及装置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：CN119251050B 。

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：202411283089.7，技术领域涉及：G06T3/4053；该发明授权基于混合池化Transformer的轻量级图像超分辨率方法及装置是由朱显丞;黄德天;黄静;王一凡;舒泊智;范宇凌;陈龙涛设计研发完成，并于2024-09-13向国家知识产权局提交的专利申请。

本基于混合池化Transformer的轻量级图像超分辨率方法及装置在说明书摘要公布了：本发明公开了一种基于混合池化Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：构建基于混合池化Transformer的轻量级图像超分辨率模型并训练，得到经训练的轻量级图像超分辨率模型；获取待重建的低分辨率图像和尺度因子并输入到经训练的轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一卷积层的输出特征，第一卷积层的输出特征经过若干个基于混合池化的Transformer模块后，得到最后一个基于混合池化的Transformer模块的输出特征，最后一个基于混合池化的Transformer模块的输出特征与第一卷积层的输出特征相加后依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像。本发明解决了现有Transformer方法计算复杂度过高的问题。

本发明授权基于混合池化Transformer的轻量级图像超分辨率方法及装置在权利要求书中公布了：1.一种基于混合池化Transformer的轻量级图像超分辨率方法，其特征在于，包括以下步骤： 构建基于混合池化Transformer的轻量级图像超分辨率模型并训练，得到经训练的轻量级图像超分辨率模型，所述轻量级图像超分辨率模型包括依次连接的一个第一卷积层、若干个基于混合池化的Transformer模块、一个亚像素卷积层和一个第二卷积层；所述基于混合池化的Transformer模块包括依次连接的第一层归一化层、基于混合池化的自注意力模块、第二层归一化层和频域通道混合前馈网络，所述基于混合池化的Transformer模块的输入特征与所述基于混合池化的自注意力模块的输出特征相加的结果作为所述第二层归一化层的输入特征，所述第二层归一化层的输入特征在经过所述第二层归一化层和频域通道混合前馈网络后，得到频域通道混合前馈网络的输出特征，所述频域通道混合前馈网络的输出特征与所述第二层归一化层的输入特征相加的结果作为所述基于混合池化的Transformer模块的输出特征；所述基于混合池化的自注意力模块包括混合池化特征嵌入模块，所述混合池化特征嵌入模块包括通道下采样卷积层、全局最大池化层、全局平均池化层、通道拼接层和第三卷积层； 将所述基于混合池化的自注意力模块的输入特征输入到所述混合池化特征嵌入模块，经过一个缩放因子为2的通道下采样卷积层，将X的通道数缩小2倍，得到第一中间特征图，其表达式如下： ； 其中，表示缩放因子为2的通道下采样卷积层对应的函数，其卷积核尺寸为1×1； 分别利用全局最大池化层和全局平均池化层对所述第一中间特征图进行下采样，分别得到第一特征和第二特征，其表达式如下： ； ； 其中，表示全局最大池化层对应的函数，表示全局平均池化层对应的函数； 将第一特征和第二特征输入所述通道拼接层沿着通道维度拼接，并经过所述第三卷积层执行卷积核尺寸为1×1的卷积操作，得到混合特征嵌入，其表达式如下： ； 其中，表示卷积核尺寸为1×1的卷积操作，表示沿通道维度的拼接操作；所述频域通道混合前馈网络包括第四卷积层和通道注意力层； 所述频域通道混合前馈网络的输入特征先经过所述第四卷积层执行卷积核尺寸为1×1的卷积操作，得到第二中间特征图，如下式所示： ； 其中，表示卷积核尺寸为1×1的卷积操作，C、H和W分别表示频域通道混合前馈网络的输入特征的通道数量、长度和宽度，与所述基于混合池化的自注意力模块的输入特征的通道数量、长度和宽度相同，表示实数集合； 利用离散傅里叶变换将所述第二中间特征图由空间域转换至频域，获得频域特征图，表示实数集合，其表达式如下： ； 其中，x和y是频域特征图在垂直方向和水平方向的索引，取值范围分别为0，1，2，...，H-1和0，1，2，...，W-1，u和v是所述第二中间特征图在垂直方向和水平方向的索引，取值范围分别为0，1，2，...，H-1和0，1，2，...，W-1； 将所述频域特征图输入所述通道注意力层，得到经过注意力增强的频域特征图H，其表达式如下： ； 其中，表示通道注意力层对应的函数； 利用逆离散傅里叶变换将所述经过注意力增强的频域特征图H由频域转换至空间域，以获得频率增强特征，其表达式如下： ； 将所述频率增强特征与所述第二中间特征图相加，得到所述频域通道混合前馈网络的输出特征，其表达式如下： ； 获取待重建的低分辨率图像和尺度因子并输入到所述经训练的轻量级图像超分辨率模型，所述低分辨率图像输入所述第一卷积层，得到所述第一卷积层的输出特征，所述第一卷积层的输出特征经过若干个基于混合池化的Transformer模块后，得到最后一个基于混合池化的Transformer模块的输出特征，所述最后一个基于混合池化的Transformer模块的输出特征与所述第一卷积层的输出特征相加后依次经过所述亚像素卷积层和第二卷积层，得到高分辨率重建图像。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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。