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！

龙图腾网获悉大连大学申请的专利一种基于傅里叶变换的运动图像去模糊模型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：CN117115040B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202311171962.9，技术领域涉及：G06T5/73；该发明授权一种基于傅里叶变换的运动图像去模糊模型是由冯建新;郝恩光;杜玥;张健豪;丁元明;方辉设计研发完成，并于2023-09-12向国家知识产权局提交的专利申请。

本一种基于傅里叶变换的运动图像去模糊模型在说明书摘要公布了：本发明公开了一种基于傅里叶变换的运动图像去模糊模型，在去模糊模型中设置三级对称编码器‑解码器架构；在编码器、解码器中使用自注意力机制FDSA在频域中估计缩放点积的注意力；在编码器、解码器中使用前馈网络FFDN融合模糊核级信息和像素级信息，并引入可学习的量化矩阵M以确定哪些频率信息保留；使用跨连接通道注意力模块CCAM作为编码器、解码器之间的信息交换组件；所述编码器连接了Sobel滤波器以增强边缘特征；联合三个损失函数综合图像的感知质量和频域特性，引导模型专注于恢复模糊图像中的高频分量。本发明提出一种着重于细节和增强边缘的去模糊模型，以获得高质量的去模糊图像。

本发明授权一种基于傅里叶变换的运动图像去模糊模型在权利要求书中公布了：1.一种基于傅里叶变换的运动图像去模糊模型，其特征在于： 在去模糊模型中设置三级对称编码器-解码器架构，其编码器对输入的模糊图像进行处理，提取出其重要特征并转化为低维度表示，解码器接收来自编码器的低维特征，将低维度表示逐步恢复为高维度表示； 在编码器、解码器中使用自注意力机制FDSA在频域中估计缩放点积的注意力； 在编码器、解码器中使用前馈网络FFDN融合模糊核级信息和像素级信息，并引入可学习的量化矩阵M以确定哪些频率信息保留； 使用跨连接通道注意力模块CCAM作为编码器、解码器之间的信息交换组件； 所述编码器连接了Sobel滤波器以增强边缘特征； 联合使用内容损失函数Lcount、多尺度频率重建损失函数LMSFR以及辅助边缘损失函数Ledge，三个损失函数综合图像的感知质量和频域特性，引导模型专注于恢复模糊图像中的高频分量； 在自注意力机制FDSA中，首先通过1×1的点卷积和3×3的深度卷积得到Fq、Fk和Fv，其中，Fq为查询Query特征，Fk为键Key特征，Fv为值Value特征；然后，对估计的特征Fq和Fk应用快速傅里叶变换，从而得到Fq和Fk在频域中的相关性； 融合模糊核级信息和像素级信息方式为：将模糊图像在频域上进行ReLU操作后，通过反傅里叶变换选择频率来生成模糊模式；像素级信息通过前馈网络FFDN的中间流学习，模糊核级信息通过前馈网络FFDN的ReLU残差流学习，将生成的模糊核信息与像素级信息融合起来； 前馈网络FFDN对输入特征进行层归一化得到层归一化张量； 中间流实现过程为：层归一化张量首先通过1×1卷积，对得到的特征应用快速傅里叶变换获取频域特征，然后引入一个可学习的量化矩阵M，通过JPEG压缩算法的逆向学习，确定哪些频率信息应保留下来；具体的：将频域特征与量化矩阵M做逐元素相乘操作，并通过反快速傅里叶变换恢复到像素级特征；其FFDN中间流的公式如下： 其中，和分别是在JPEG压缩方法中将patch按照一定顺序展开成为一维向量的操作和将一维向量折叠成patch的操作，表示元素逐位相乘操作，为GEGLU非线性变换，是中间流空间域输出特征； Relu残差流实现过程为：在层归一化张量上应用快速傅里叶变换；然后使用两层1×1卷积层，并在中间添加一个ReLU层，通过ReLU对频率选择进行反傅里叶变换，直接从模糊图像中学习内核级特征；FFDN残差流的公式如下： 其中表示快速傅里叶变换，表示卷积操作，和表示复数形式的1×1卷积矩阵，其中1表示第一次卷积运算，2表示第二次卷积运算；代表Relu非线性变换，表示快速傅里叶逆变换操作，是Relu残差流的空间域输出特征。

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大连大学，其通讯地址为：116622 辽宁省大连市经济技术开发区学府大街10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。