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！

龙图腾网获悉长春理工大学申请的专利一种遥感图像超分辨率重建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：CN120070182B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202510139750.5，技术领域涉及：G06T3/4053；该发明授权一种遥感图像超分辨率重建方法是由刘妍妍;吴远烽;李超群;赵哲铭;田永旗;蒋一纯;朱德鹏;韩悦毅设计研发完成，并于2025-02-08向国家知识产权局提交的专利申请。

本一种遥感图像超分辨率重建方法在说明书摘要公布了：本发明公开一种遥感图像超分辨率重建方法，涉及图像处理技术领域；包括如下步骤：准备数据集；构建网络模型；训练网络模型；微调网络模型；固化网络模型。本发明的技术方案设计了多维交互和条件鉴别的结构和训练方式，通过在生成器中引入高、低维度特征交互，促进生成细节更加丰富的图像，在鉴别器中引入梯度和语义信息，引导生成器学习更细粒度的梯度和语义感知纹理，使得生成器能生成更加逼真的图像，提高超分辨率重建图像的质量。

本发明授权一种遥感图像超分辨率重建方法在权利要求书中公布了：1.一种遥感图像超分辨率重建方法，其特征在于，包括以下步骤： 步骤1，准备数据集：获取遥感图像数据集，按比例划分为训练集、验证集、测试集； 步骤2，构建网络模型：构建包括生成器和鉴别器的对抗网络模型；生成器包括初始模块、低维特征引导组、高维特征引导组、多维交互模块、重建模块，低维特征引导组包括双分支局部模块和最大池化层，高维特征引导组包括全域注意力块和序列上采样块；鉴别器包括梯度信息分支、语义信息分支、梯度-语义融合块及多个卷积层，用于评估生成图像的真实性； 步骤3，训练网络模型：使用损失函数训练生成器和鉴别器网络，直到训练次数达到初始设定阈值或损失函数的值达到预设范围，则网络模型训练完成； 步骤2中，所述鉴别器包括4×4卷积层、L型函数、梯度信息分支、语义信息分支和三个梯度-语义融合块； 所述梯度信息分支包括梯度提取块、4×4卷积层和L型函数，用于提取梯度特征信息；4×4卷积层用于调整梯度特征的尺度大小，梯度提取块采用垂直方向和水平方向的梯度算子得到梯度信息； 所述语义信息分支由语义提取块组成，采用预训练好的CLIP“RN50”作为语义提取器用于获得语义信息； 所述梯度-语义融合块，输入特征通过卷积层一、L型函数和维度转换层一得到的特征作为交叉注意力机制中的内容上下文信息，语义特征经过语义特征优化块得到的特征作为交叉注意力机制中的语义特征，梯度特征经过梯度特征优化块得到的特征作为交叉注意力机制中的梯度特征，内容上下文信息和语义特征通过交叉注意力机制得到扭曲语义感知图像特征，内容上下文信息和梯度特征经过交叉注意力机制得到扭曲梯度感知图像特征，扭曲梯度感知图像特征和扭曲语义感知图像特征经过交叉注意力机制得到梯度-语义感知图像特征，并经过层归一化层、G型函数和维度转换层三得到的感知图像特征，感知图像特征与原始增强特征连接，最终由卷积层二输出特征； 所述梯度特征优化块包括3×3卷积层、空间注意层、维度转换层、层归一化层一、残差自注意力机制和层归一化层二，通过空间注意层和残差自注意力机制，提取全局的空间特征的梯度信息； 所述语义特征优化块包括分组归一化层、维度转换层、层归一化层一、残差自注意力机制和层归一化层二，通过残差自注意力机制提取全局的语义特征。

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长春理工大学，其通讯地址为：130012 吉林省长春市卫星路7089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。