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！

龙图腾网获悉四川大学申请的专利基于风格特征注入的图像生成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：CN119648517B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202411856382.8，技术领域涉及：G06T3/04；该发明授权基于风格特征注入的图像生成方法是由刘艳丽;李满园;邢冠宇;郭子昊;李宏设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本基于风格特征注入的图像生成方法在说明书摘要公布了：本发明涉及基于风格特征注入的图像生成方法，能够在文生图的基础上高效地迁移风格参考图的空间布局和颜色纹理。所提出的方法在StableDiffusion文生图的基础上，利用Dreambooth绑定特征的能力学习图像的空间布局和初步风格，再执行注意力注入以强化颜色特征和细节纹理。因此，所提出的方法在各种风格上具有很高的泛化性，对于单一特定风格，无需进行繁琐调参，对构图、纹理、颜色等上下文特征高度敏感。另外，模型对数据需求量少，仅需3‑5张训练图像，推理过程注意力参考图仅需一张，且无需进行额外的训练。因此，所提出的风格图像生成方法可以适应多种不同的风格，以便在个性化任务中具有更高的自由度。

本发明授权基于风格特征注入的图像生成方法在权利要求书中公布了：1.基于风格特征注入的图像生成方法，其特征在于，包括以下步骤： S1、网络训练过程，具体描述为： S11、使用大语言模型为特定风格指定提示词，将提示词与特定风格进行绑定； S12、数据增强；对于指定风格的数据集运用随机裁剪、随机模糊、随机翻转方法扩充训练集，进行数据增强； S13、将增强后的训练数据输入到Dreambooth+Lora网络中进行训练； S14、保存lora权重，用于推理； S2、网络推理过程，具体描述为： S21、构造网络的输入，将需要生成的主体prompt与训练中使用的特定提示词进行绑定； S22、利用训练步骤中得到的lora权重，生成具备空间布局和初步风格特征的初步结果； S23、对步骤二中得到的初步结果进行注意力注入，对风格的颜色纹理完成强化；注意力注入将被应用于StableDiffusion2.1中的第7-12个Decoder层；经过循环迭代，将得到清晰的风格化图像； 其中S23步骤如下： 1从指定风格的数据集中选取一张图像作为风格参考图，对风格参考图和S22中得到的初步结果分别执行DDIMInversion： i、使用DDIM方法分别逐步为内容图和风格图添加噪声；得到内容图像噪声，风格图像噪声，设定加噪与去噪过程均为T步； ii、在DDIMinversion过程中，在每个时间步收集图像的自注意力特征；对于内容图，保存，对于风格图，保存,； 2使用AdaIN归一化方法混合获得初始潜在特征；对于内容图像噪声和风格图像噪声，归一化公式为： 其中为混合得到的初始噪声；为均值，为标准差；初始潜在噪声保留了的内容信息，同时将通道均值和标准差与对齐；均值与标准差能够描述图像的色调，即对于内容图，先执行去风格化，再风格化到参考图的风格； 3逆过程采样得到风格化图片； i、在逆过程的T步中，基于在S231保存的自注意力信息，将，，逐步注入到unet网络的self-attention层中； ii、控制风格置信度；逆采样过程中，将风格化的query和S231中保存的内容图的query混合起来，用于整个迭代过程，以在风格化图中保持原始内容；风格置信度控制公式如下： 其中，较高的保持更多的内容，而较低的则增强风格迁移的效果； iii、在每个self-attention层的风格注入之后，执行注意力缩放；如果直接应用StableDiffusion2.1中的自注意力方法，在进行S233i中的风格注入之后，的标准差会降低，导致得到的注意力图过于平滑而失真；因此使用注意力温度缩放参数对降低的标准差进行修正；注意力缩放公式为： 其中，； 经过注意力注入后，将得到清晰的风格化图像。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。