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！

龙图腾网获悉桂林电子科技大学申请的专利基于自适应多层次注意力的帧循环视频超分辨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：CN116362968B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202310167863.7，技术领域涉及：G06T3/4076；该发明授权基于自适应多层次注意力的帧循环视频超分辨方法是由林乐平;欧志山;欧阳宁;莫建文设计研发完成，并于2023-02-27向国家知识产权局提交的专利申请。

本基于自适应多层次注意力的帧循环视频超分辨方法在说明书摘要公布了：本发明公开了基于自适应多层次注意力的帧循环视频超分辨重建技术，其特征在于，包括如下步骤：1数据集预处理；2建立重建模型；3自适应多层次注意力过程；4重构网络；5模型训练。本技术方案不仅可以有效的利用初始低分辨的帧间信息和基于循环后的保留下来的时间信息，并可以更好的捕获空间上下文信息，以此获取更多高频信息来丰富图像细节，最终使模型具有更好的重构效果。

本发明授权基于自适应多层次注意力的帧循环视频超分辨方法在权利要求书中公布了：1.基于自适应多层次注意力的帧循环视频超分辨方法，其特征在于，包括如下步骤： 1数据集预处理：对获取的高清视频帧数据集Vimeo-90K进行高斯核为1.6的模糊处理，并进一步采用4倍的尺度下采样得到低分辨率视频帧，得到训练集T； 2建立重建模型：应用重建模型Model对训练数据集T进行处理、得到超分辨图像SR：重建模型Model由自适应多层次注意力过程AMLANet和重构过程RNet组成，包括： 2-1将训练集中的样本It,It-1和前一次的隐藏状态时间信息特征图Ht-1进行通道融合,得到输入特征f1； 2-2将输入特征f1输入3*3卷积核的卷积进行通道降维，得到特征f2； 2-3将特征f2输入一层卷积层得到浅层特征f3； 2-4将浅层特征f3输入到N个自适应多层次注意力模块AMLAB输出特征f4； 2-5将特征f4输入3*3卷积核的卷积进行通道数降维，输出特征X3； 2-6特征X3输入重构网络Rnet，重构网络Rnet由4层残差层、2层并行卷积层、1层Dropout层、1层亚像素卷积层组成，输出得到最终超分辨图像SR； 3自适应多层次注意力过程：步骤2中步骤2-4的自适应多层次注意力模块AMLAB首先输入特征x0经过一层卷积操作进行通道数降维得到特征x1，之后经过由多个级联卷积层且每一层进行输出构成的残差多层次块RMLB得到特征x2，其次，对得到特征x2分别通过通道注意力模块CAB、空间注意力模块SAB后和输入特征x2进行并行相加得到特征x3，且每一条支路都加入可学习的参数β、α、μ，最后，对特征x1和特征x3进行逐元素相加后再与对加入可学习参数λ的输入特征x0进行拼接融合得到最终自适应多层次注意力模块输出特征xAMLAB，所述过程如下公式所示： ＝σconv3x， ＝RMLBx， ＝β*CABx+μ*x+α*SABx， AMLAB＝concatx+x,λ*x， 其中，conv3为3x3卷积核的卷积，σ为激活函数层，concat表示融合方式为通道拼接方式； 4重构过程：将步骤2中所述的自适应多层次注意力过程AMLANet所提取的特征X3作为重构过程的输入，首先将输入特征X3经过4层残差块RB，得到细化的特征图X4，其中，每一残差块设有两层3x3卷积核的卷积和一层Relu激活层；对得到细化的特征图X4分别进行卷积层以及激活函数层σ、Dropout层与卷积层得到隐藏信息特征图h、重构输出特征图o；对h、o进行通道拼接融合concat得到最终隐藏信息特征图H,同时对o进行亚像素卷积Pixel得到特征图与对应进行双三次上采样Bicubic重构帧的低分辨图I按逐元素相加得到最终超分辨图SR； 5模型训练：本文模型采用端到端训练的方式，先采用L1损失函数加快收敛程度、再采用L2损失函数进行微调，如下公式所示： L1损失函数： L2损失函数：

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桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市金鸡路1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。