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！

龙图腾网获悉重庆理工大学申请的专利基于残差恢复和多特征融合的虚拟视点图像质量评价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：CN119273643B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202411315205.9，技术领域涉及：G06T7/00；该发明授权基于残差恢复和多特征融合的虚拟视点图像质量评价方法是由彭宗举;赖庆;邹文辉;陈芬;陈维华设计研发完成，并于2024-09-20向国家知识产权局提交的专利申请。

本基于残差恢复和多特征融合的虚拟视点图像质量评价方法在说明书摘要公布了：本发明公开了一种基于残差恢复和多特征融合的虚拟视点图像质量评价方法，包括：获取待评价的虚拟视点图像；将虚拟视点图像输入预训练的基于U‑Net网络构建的视觉残差恢复网络模型中，分别提取多级退化特征和多级恢复特征；将虚拟视点图像输入预训练的EfficientNet‑B0网络模型中，通过该模型提取多级内容特征；通过多特征权重自适应融合模块将多尺度的退化特征图、恢复特征图和内容特征图进行自适应融合生成多层融合特征图；利用基于通道级卷积的通道注意力模块将多层融合特征图进行跨通道信息交互，生成融合通道级特征图；通过全连接层将融合通道级特征图映射为对应的预测客观质量分数。本发明能够提高模型在虚拟视点图像质量评价时的泛化能力、鲁棒性和准确性。

本发明授权基于残差恢复和多特征融合的虚拟视点图像质量评价方法在权利要求书中公布了：1.基于残差恢复和多特征融合的虚拟视点图像质量评价方法，其特征在于，包括： S1：获取待评价的虚拟视点图像； S2：将虚拟视点图像输入预训练的基于U-Net网络构建的视觉残差恢复网络模型中，通过该模型的编码端和解码端分别提取多级退化特征和多级恢复特征，生成多尺度的退化特征图和恢复特征图； 步骤S2中，视觉残差恢复网络模型包括编码器和解码器； 编码器包括一个3×3卷积层和若干个依次首尾连接且尺度不同的编码端，一个编码端包括一个对应尺度的并行非对称残差网络；其中，并行非对称残差网络用于在前向传播过程中捕获空间信息； 解码器包括若干个依次首尾连接且与编码端的尺度一一对应的解码端和一个3×3卷积层，一个解码端包括一个3×3反卷积层和一个对应尺度的并行非对称残差网络；其中，每个编码端的输出跳跃连接到对应尺度的解码端； 将所有尺度的编码端输出的特征图作为多尺度的多级退化特征图；将所有尺度的解码端输出的特征作为多尺度的多级恢复特征图； 并行非对称残差网络包括依次首尾连接的第一组并行卷积、第一批量归一化层、第一PReLU层、第二组并行卷积、第二批量归一化层和第二PReLU层；其中，将并行非对称残差网络的输入特征图经过1×1卷积层降维，再与第二批量归一化层的输出相加后输入第二PReLU层； 第一组和第二组并行卷积将输入特征图分别输入至并列设置的1×3水平卷积层、3×1垂直卷积层和3×3卷积层，再将1×3水平卷积层、3×1垂直卷积层和3×3卷积层的输出进行逐元素加法运算后生成输出特征图； 并行非对称残差网络的计算公式表示为： 式中：R、I分别表示并行非对称残差网络的输出特征图和输入特征图；P1和P2表示两组并行卷积的输出；C1表示1×1卷积；C3表示步长为1的3×3卷积；C1×3和C3×1分别表示1×3和3×1卷积；表示逐元素加法运算；fBN和fReLU分别表示批量归一化操作和PReLU激活操作； S3：将虚拟视点图像输入预训练的EfficientNet-B0网络模型中，通过该模型提取多级内容特征，生成多尺度的内容特征图； S4：通过多特征权重自适应融合模块将多尺度的退化特征图、恢复特征图和内容特征图进行自适应融合，生成多层融合特征图； S5：利用基于通道级卷积的通道注意力模块将多层融合特征图进行跨通道信息交互，生成融合通道级特征图； S6：通过全连接层将融合通道级特征图映射为对应的预测客观质量分数，作为虚拟视点图像的图像质量评价结果进行输出。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区李家沱红光大道69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”。