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！

龙图腾网获悉北京科技大学顺德创新学院申请的专利基于双分支残差稀疏网络的移动设备图像去噪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：CN120339105B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202510415977.8，技术领域涉及：G06T5/70；该发明授权基于双分支残差稀疏网络的移动设备图像去噪方法是由郭祥贵;尹珍良设计研发完成，并于2025-04-03向国家知识产权局提交的专利申请。

本基于双分支残差稀疏网络的移动设备图像去噪方法在说明书摘要公布了：本发明公开了一种基于双分支残差稀疏网络的移动设备图像去噪方法，属于图像处理技术领域，该去噪方法包括：残差稀疏模块，通过混合扩张卷积和残差连接捕获图像中的局部特征，同时减少模型的参数数量和计算复杂度；注意力引导残差稀疏模块，在残差稀疏块的基础上引入了通道注意力和像素注意力机制来调整特征图的权重，关注图像中的重要区域，提升去噪效果和图像质量；特征融合模块，通过将双分支输出相加后经残差模块处理，结合注意力机制与激活函数，实现高频细节保留与噪声抑制。本发明在无人机等资源受限场景进行图像去噪，解决现有去噪模型参数量大、计算效率低、细节保留不足等问题。

本发明授权基于双分支残差稀疏网络的移动设备图像去噪方法在权利要求书中公布了：1.基于双分支残差稀疏网络的移动设备图像去噪方法，其特征在于，其包括以下步骤： S1、数据准备与预处理： 利用移动设备拍摄多种场景下的图像，对图像进行数据标注、增强，并构建移动设备图像数据集，然后对数据集中的图像进行预处理，所述预处理包括归一化、灰度化、分辨率调整和数据分割； S2、构建基于串并联结构的双分支残差稀疏去噪网络： 所述双分支残差稀疏去噪网络包括上分支网络、下分支网络和特征融合模块，其中，所述上分支网络由五个残差稀疏模块通过上下采样串联而成，用于逐步提取图像特征并捕获多尺度信息；所述下分支网络由五个注意力引导残差稀疏模块串联构成；所述特征融合模块，用于整合上分支网络和下分支网络的特征信息，进行最终的残差学习，输出去噪后的图像； 每个所述残差稀疏模块包括有标准卷积和膨胀卷积，通过残差连接将输入特征与输出特征相加，以避免梯度消失问题，提高训练稳定性； 所述注意力引导残差稀疏模块在残差稀疏模块的基础上增加了通道注意力和像素注意力机制，使网络聚焦于图像的关键区域，提高去噪效果； 所述残差稀疏模块和注意力引导残差稀疏模块利用混合扩张卷积提高感受野，同时不增加计算量；膨胀卷积通过在卷积核中引入间隔，扩大覆盖范围而不增加参数，在不增加计算量的情况下提高模型的感受野和特征提取能力，实现模型轻量化； 所述特征融合模块具体包括如下内容： 特征融合输入：将上分支网络和下分支网络的输出相加，作为特征融合模块的输入，进行特征融合； 模块构成：所述特征融合模块由一个标准卷积模块、一个注意力引导残差稀疏模块、两个标准卷积、一个Sigmoid激活函数组成； 特征融合过程： 1将特征融合模块的输入依次通过标准卷积模块、注意力引导残差稀疏模块和第一个标准卷积； 2将上述输出与归一化后的噪声图像级联，依次通过Sigmoid激活函数和第二个标准卷积； 3将第一个标准卷积的输出与第二个标准卷积的输出相乘，最后与原始噪声图像做残差，得到最终去噪后的图像； 特征融合过程的函数表示如下： 其中，frb表示RB模块的输入；RB表示特征融合模块；cat表示级联操作；C表示标准卷积；In表示输入的噪声图像；Sig表示Sigmoid函数；表示深层特征提取模块的上分支网络的输出；表示深层特征提取模块的下分支网络的输出；CBR表示标准卷积模块；ARSB表示注意力引导残差稀疏模块； S3、设计双分支残差稀疏去噪网络的损失函数L为： 其中，和分别表示模型去噪后图像和对应干净图像；N表示图像总数； S4、S1中所得的移动设备图像经过数据分割划分为训练集和测试集，将训练集图像输入到所构建的双分支残差稀疏去噪网络中，利用反向传播法计算损失函数的梯度，直到损失函数趋于稳定，得到训练好的双分支残差稀疏去噪网络模型； S5、将测试集中的噪声图像输入到训练好的双分支残差稀疏去噪网络中，得到去噪图像。

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北京科技大学顺德创新学院，其通讯地址为：528399 广东省佛山市顺德区大良致慧路2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。