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！

龙图腾网获悉大连理工大学申请的专利一种基于改进生成对抗网络的模糊图像复原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：CN115880175B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202211584736.9，技术领域涉及：G06T5/73；该发明授权一种基于改进生成对抗网络的模糊图像复原方法是由薄其乐;侯博;苗子健;邢祥胜;刘海波;卢晓红;王永青设计研发完成，并于2022-12-09向国家知识产权局提交的专利申请。

本一种基于改进生成对抗网络的模糊图像复原方法在说明书摘要公布了：一种基于改进生成对抗网络的模糊图像复原方法，建立生成对抗网络模型，设计改进的生成器网络结构，在生成器中添加混合扩张卷积模块与跳跃连接，扩大网络的感受野并融合深层与浅层网络的图像信息，同时将残差块替换为残差密集块；设计网络损失函数，在原始的内容损失中添加L1损失项；利用模糊图像和对应的清晰图像组成的图像对，对网络模型进行训练；将模糊图像输入到训练完成的网络模型中，利用生成器处理模糊图像，实现模糊图像的复原。本发明可通过设计生成对抗网络结构与损失函数，利用模糊图像与清晰图像组成的数据集对网络模型进行训练，采用训练后的生成器模型对模糊图像进行复原，图像去模糊效果稳定，可满足模糊图像高精度复原需求。

本发明授权一种基于改进生成对抗网络的模糊图像复原方法在权利要求书中公布了：1.一种基于改进生成对抗网络的模糊图像复原方法，其特征在于，首先建立生成对抗网络模型，生成对抗网络模型由生成器与判别器两部分组成，设计改进的生成器网络结构，在生成器中添加混合扩张卷积模块与跳跃连接，扩大生成器网络的感受野并融合深层与浅层网络的图像信息，同时将原始的残差块替换为残差密集块，提升网络训练的稳定性；设计网络损失函数，在原始的内容损失中添加L1损失项，减小生成图像与目标图像差异性；利用模糊图像和对应的清晰图像组成的图像对，对生成对抗网络模型进行训练；将模糊图像输入到训练完成的生成对抗网络模型中，利用生成器处理模糊图像，实现模糊图像的复原；具体步骤如下： 1建立生成对抗网络模型在原始的生成对抗网络的生成器模型中添加混合扩张卷积模块与跳跃连接，并将残差块替换为残差密集块；改进的生成器由下采样模块、混合扩张卷积模块、特征增强提取模块以及上采样模块四部分组成，其中下采样模块由下采样卷积块组成，混合扩张卷积模块由扩张卷积块组成，特征增强提取模块由残差密集块组成，上采样模块由转置卷积块、卷积层和激活层组成，在下采样和上采样模块间添加跳跃连接；判别器由下采样卷积块组成； 2设计网络损失函数网络损失函数分为对抗损失和内容损失两部分，内容损失的权重为λ1，内容损失由平均绝对损失即L1损失与感知损失两部分组成，两部分权重分别为λ2和λ3： 对抗损失的计算采用具有梯度惩罚项的WGAN‑GP： 其中，E为期望值，Pg为生成的清晰图像的集合，Pr为真实的清晰图像的集合，为生成图像与真实清晰图像插值组成的图像集合，为图像经过判别器D后得到的判别结果，Dx和分别为图像x和经过判别器D后得到的判别结果，x～Pr和分别表示图像数据分别来自于集合Pg、Pr和λ为梯度惩罚项的权重； L1损失计算生成图像和清晰图像之间的平均偏差： 其中，x和y为图像的像素坐标，IS为真实的清晰图像，GIB为模糊图像IB经过生成器G后生成的图像； 感知损失定义为真实图像IS和生成图像GIB经过预训练的VGG19网络模型处理后得到的特征图之间的欧几里得距离： 其中，Wi,j和Hi,j分别为特征图的宽度和高度，φi,j为输入图像在预训练的VGG19网络模型中经过第i个最大池化层，并进行第j次卷积后得到的特征图； 3训练网络模型利用尺寸为256*256的模糊图像和对应的清晰图像组成的图像对，对建立的生成对抗网络模型进行训练； 4模糊图像复原利用训练完成的生成器处理模糊图像，完成模糊图像的复原。

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理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路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。