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！

龙图腾网获悉南京邮电大学申请的专利基于多头交叉注意机制的神经网络光场图像去模糊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：CN116152103B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202310144230.4，技术领域涉及：G06T5/73；该发明授权基于多头交叉注意机制的神经网络光场图像去模糊方法是由马鑫宇;朱虎;邓丽珍设计研发完成，并于2023-02-21向国家知识产权局提交的专利申请。

本基于多头交叉注意机制的神经网络光场图像去模糊方法在说明书摘要公布了：本发明属于图像去模糊技术领域，公开了基于多头交叉注意机制的神经网络光场图像去模糊方法，具体为在光场生成的LFDOF数据集上训练网络；通过二次方法收集的DPDD数据集上使用特征损失对网络进行微调，以减轻两个域中存在的散焦模糊之间的差异；分析了两个散焦模糊数据集LFDOF和DPDD的特征，开发了一种新的基于多头交叉注意机制的去模糊训练策略；提出了一种端到端的网络架构，配备了新颖的动态残差块，以从粗到细的方式重建清晰的图像。本发明设计的端到端神经网络可有效消除空间变化的散焦模糊，解决了简单的二次拍摄无法实现散焦和全焦图像对之间的像素级对应的问题。

本发明授权基于多头交叉注意机制的神经网络光场图像去模糊方法在权利要求书中公布了：1.基于多头交叉注意机制的神经网络光场图像去模糊方法，其特征在于，包括以下步骤： 步骤1、构建数据集LFDOF、数据集DPDD以及测试集；其中数据集LFDOF作为训练集，数据集DPDD作为辅助网络微调集； 步骤2、构建基于多头交叉注意机制的神经光场网络模型，建立基于多头交叉注意机制的神经光场的去模糊训练策略； 步骤3、使用数据集LFDOF对所述基于多头交叉注意机制的神经光场网络模型进行训练，以获得具有对应关系的散焦和全焦图像对；利用数据集DPDD使用特征损失进行网络微调，得到训练完成的神经光场网络模型； 步骤4、利用训练完成的神经光场网络模型，对含有模糊图像的测试集进行处理测试，得到处理后的清晰的测试图像； 其中，所述神经光场网络模型包括编码器、解码器和若干级联的动态残差块；所述神经光场网络模型的输入为数据集LFDOF和数据集DPDD中的模糊图像xLFDOF和xDPDD，通过编码器ε提取多尺度金字塔特征，然后通过跳过连接将其添加到解码器D的相应尺度；若干动态残差块添加到解码器D的每个尺度,若干动态残差块的输入为来自数据集LFDOF中的模糊图像xLFDOF及解码器D输出的不同尺度的数据，输出为去模糊化后的图像； 所述动态残差块包括基于多头交叉注意机制模块和多层感知器； 对每个多头交叉注意机制模块的输入特征进行标记化，将特征重塑为扁平化的二维斑块序列，其大小分别为P、P2；斑块映射到其对应尺度的编码器特征的相同区域；通过这个过程，保持原始通道的尺寸； 把输入特征的标记Ti, 作为密钥，i＝1,2；值T∑＝ConcatT1,T2；这些标记被送入多头交叉注意机制模块和多层感知器的残余结构，提炼来自每个编码器的特征Qi，每个编码器使用多尺度特征； 多头交叉注意机制模块包含了3个输入Q1，Q2，C∑，还包含输入特征标记Ti作为查询，以及值T∑作为键和值； Qi＝TiWQ,K＝T∑WK,V＝T∑WV 其中是不同输入的权重，d是序列长度，Ci是两个输入信道的尺寸，i＝1,2，C∑＝ConcatC1,C2；Qi为每个编码器的特征，V，K为两个经过加权后参与计算的参数； 由于产生了相似性矩阵并通过交叉注意CA机制对V进行加权； 其中ψ·和σ·分别表示实例规范化函数和softmax函数；上标T为转置标记； 沿着通道轴进行注意操作，并且采用了实例归一化；在N头注意的情况下，多头交叉注意机制模块处理后的输出计算如下： 其中N是输入的数量；此后，应用一个MLP和残差运算器，得到的输出如下： Oi＝MCAi+MLPQi+MCAi 省略了方程中的层归一化LN；将上式中的操作重复L次，构建一个L层的变换器；第L层的两个输出O1,O2通过一个上采样操作进行重构，然后通过卷积层重建，得到残差块的输出。

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南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区亚东新城文苑路9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”。