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！

龙图腾网获悉辽宁轻工职业学院;辽宁师范大学申请的专利一种基于学习退化信息的图像盲超分辨率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：CN116309051B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310192061.1，技术领域涉及：G06T3/4053；该发明授权一种基于学习退化信息的图像盲超分辨率方法是由焦战;王瑞子;傅博;董宇涵设计研发完成，并于2023-03-02向国家知识产权局提交的专利申请。

本一种基于学习退化信息的图像盲超分辨率方法在说明书摘要公布了：本发明公开了一种基于学习退化信息的图像盲超分辨率方法，属于图像处理技术领域，具体步骤如下：制备训练集；训练无监督退化表示网络，无监督退化表示网络为有监督全局上下文信息注意超分网络提供用于辅助的退化信息；通过的退化信息进行整体网络的训练；取损失函数值并确定的网络模型；将测试数据集输入上述中确定的网络模型，得到超分结果。采用上述一种基于学习退化信息的图像盲超分辨率方法，解决了现有超分辨率方法由于假设退化已知而对于真实图像中的未知退化因素去除效果不佳的问题，对于合成或真实的自然图像，提高图像分辨率，同时去除图像中的噪声、模糊等未知退化因素。

本发明授权一种基于学习退化信息的图像盲超分辨率方法在权利要求书中公布了：1.一种基于学习退化信息的图像盲超分辨率方法，其特征在于，具体步骤如下： 步骤S1：制备训练集； 步骤S1具体步骤如下： 步骤S11：选取DIV2K数据集和Flickr2K数据集中的图像组合成DF2K_HR数据集并进行编号； 步骤S12：对DF2K_HR数据集中的图像通过双三次插值操作下采样，得到DF2Kx4_Bicubic数据集，并对DF2Kx4_Bicubic数据集中的图像进行编号； 步骤S13：对DF2Kx4_Bicubic数据集中图像加各向同性高斯模糊得到低分辨率模糊数据集，记为DF2Kx4_GTBlur数据集，并对DF2Kx4_GTBlur数据集中的图像进行编号； 步骤S14：对DF2Kx4_Bicubic数据集中图像加各向异性高斯模糊得到低分辨率模糊数据集，记为DF2Kx4_GYBlur数据集，并对DF2Kx4_GYBlur数据集中的图像进行编号； 步骤S15：对DF2Kx4_GYBlur数据集加入高斯噪声得到低分辨率噪声模糊数据集，记为DF2Kx4_BN数据集，并对DF2Kx4_BN数据集中的图像进行编号； 步骤S16：将DF2K_HR数据集和DF2Kx4_GYBlur数据集中的图像按照编号顺序组成图像对，由图像对组成的数据集作为合成自然图像实验的训练集，将数据集DF2K_HR和DF2Kx4_BN中的图像按对应编号顺序组成图像对，作为真实自然图像实验的训练集； 步骤S17：随机选取设定数量的低分辨率数据集的图像并在每张图像中裁剪出设定数量和尺寸的图像块， 具体的： 当进行合成自然图像实验时，选取来自DF2Kx4_GTBlur数据集的图像并切块，得到的图像块记为 当进行真实自然图像的实验时，选取来自DF2Kx4_BN数据集的图像并切块，得到的图像块记为 步骤S2：训练无监督退化表示网络，无监督退化表示网络为有监督全局上下文信息注意超分网络提供用于辅助的退化信息； 步骤S2具体步骤如下： 步骤S21：将低分辨率的图像块输入无监督退化表示网络中， 当进行合成自然图像实验时，将图像块输入到无监督退化表示网络； 当进行真实自然图像的实验时，将图像块输入到无监督退化表示网络； 步骤S22：开始训练，设定无监督退化表示网络的循环训练次数参数，循环训练次数参数初始值为零； 步骤S23：依次经过卷积结构和全局平均池化层得到退化表示； 步骤S24：计算合成图像实验的合成对比损失，进行设定次数的循环训练，直至合成对比损失达到收敛要求，停止训练；否则将合成对比损失值反向传播，通过ADAM优化算法重新更新参数，再一次进入步骤S22和步骤S23，循环重复训练； 计算真实图像实验的真实对比损失，进行设定次数的循环训练，直至真实对比损失达到收敛要求，停止训练；否则将真实对比损失值反向传播，通过ADAM优化算法重新更新参数，再一次进入步骤S22和步骤S23，循环重复训练； 步骤S3：通过步骤S2中的退化信息进行整体网络的训练； 步骤S3具体为： 步骤S31：将低分辨率图像块同时输进无监督退化表示网络与有监督全局上下文信息注意网络中， 对于合成自然图像实验来说，将低分辨率模糊图像块输进网络； 对于真实自然图像实验来说，将低分辨率噪声模糊图像块输进网络； 步骤S32：开始训练，分别设定合成图像实验中网络循环训练次数参数和真实图像实验中网络循环训练次数参数，且初始值均为零； 步骤S33：将低分辨率图像块经过卷积层和全局平均池化层，得到退化表示，并进行提取浅层特征；同时将低分辨率图像块输入另一卷积层，获取浅层特征图； 步骤S34：进行深层特征提取，将浅层特征图和退化表示同时输入深层特征提取网络中得到深层特征图； 步骤S35：采用上采样模块得到重构后的高分辨率图像SR； 步骤S4：取损失函数值并确定的网络模型； 步骤S5：将测试数据集输入步骤S4中确定的网络模型，得到超分结果。

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辽宁轻工职业学院;辽宁师范大学，其通讯地址为：116100 辽宁省大连市金州新区金港路288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。