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！

龙图腾网获悉华侨大学申请的专利基于空频联合与时序交互的视频质量评价方法及系统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：CN121397207B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202511972389.0，技术领域涉及：H04N17/00；该发明授权基于空频联合与时序交互的视频质量评价方法及系统是由曾焕强;董雨幸;刘智鸿;朱建清;陈婧;施一帆;龚鑫荣;蔡磊;项文杰;林琦;郑惠洁设计研发完成，并于2025-12-25向国家知识产权局提交的专利申请。

本基于空频联合与时序交互的视频质量评价方法及系统在说明书摘要公布了：本申请公开了基于空频联合与时序交互的视频质量评价方法及系统，涉及计算机视觉技术领域，方法包括：对沉浸式视频关键帧进行标准化与数据增强；继而分别通过可学习Gabor卷积和二维傅里叶变化与对数幅度谱构建空域与频域双路特征；再经双向Cross‑Attention实现空频动态融合，生成联合表征；随后输入Transformer架构建模帧间时序动态与全局依赖，获得时序关联特征；最后通过可学习加权的MLP回归输出逐帧质量分并聚合为整体质量得分。本申请通过空频联合建模与时序交互学习，实现对沉浸式视频失真的高保真无参考质量评估。

本发明授权基于空频联合与时序交互的视频质量评价方法及系统在权利要求书中公布了：1.一种基于空频联合与时序交互的视频质量评价方法，其特征在于，包括以下步骤： S1，获取沉浸式视频序列，对沉浸式视频序列进行关键帧抽取、尺寸归一化和色彩标准化处理，获得标准化的关键帧，对标准化的关键帧进行数据增强处理获得增强后的关键帧； S2，将增强后的关键帧输入空域特征提取分支，通过可学习的Gabor卷积核提取增强后的关键帧中的多方向纹理和边缘结构信息，获得关键帧的空域特征，利用多阶段残差网络对关键帧的空域特征进行多尺度建模，获得深浅层融合的空间特征表示； S3，将增强后的关键帧输入频域特征提取分支，对增强后的关键帧执行二维快速傅里叶变换，获取对数幅度谱，通过对数幅度谱捕获关键帧的能量分布和周期性特征，再将对数幅度谱输入卷积网络提取关键帧的频谱能量和噪声结构特征，获得关键帧的频域特征； S4，将深浅层融合的空间特征表示和频域特征输入空频交互模块，通过双向Cross-Attention机制实现空频特征的动态融合，得到联合空频特征表示； S5，将联合空频特征按时间顺序输入基于Transformer架构的多头自注意力网络，通过对联合空频特征的动态变化和全局时序依赖进行建模，获取帧间时序关联特征； S6，将帧间时序关联特征输入质量回归模块，通过多层感知机MLP预测到每帧视频的质量分数后，再基于可学习的权重对所有帧的质量分数进行加权平均，得到视频整体质量得分； 通过双向Cross-Attention机制实现空频特征的动态融合，得到联合空频特征表示，其计算过程如下： ； ； 其中，Softmax.表示标准化指数函数；表示层归一化操作；和表示源位置和目标位置之间的注意力计算的偏置项；和表示源和目标位置之间的缩放因子；表示空域到频域的噪声项；表示频域到空域的噪声项；表示丢弃操作，为丢弃率；和表示空域特征和频域特征的查询映射矩阵；和表示空域特征和频域特征的键映射矩阵；和表示空域特征和频域特征的值映射矩阵；和分别表示双向注意力权重矩阵，下标表示空域，下标表示频域，表示嵌入维度；表示联合空频特征表示；为可学习的融合权重； 将联合空频特征按时间顺序输入基于Transformer架构的多头自注意力网络，通过对联合空频特征的动态变化和全局时序依赖进行建模，获取帧间时序关联特征，计算公式如下： ； 其中，表示第层第个头部的自注意力计算；MHA.表示多头自注意力操作；Concat.表示拼接操作；表示层归一化操作；表示丢弃操作，为丢弃率；MHA表示帧间时序关联特征；表示输入到多头自注意力网络中的特征矩阵；表示第层第个头部的可学习偏置项；表示第层第个头部的缩放因子；表示第层第个头部的噪声项；表示全局可学习偏置项；、和表示第个头部的查询、键和值矩阵；表示注意力头数；表示线性输出映射矩阵；表示键向量维度。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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。