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！

龙图腾网获悉中山大学申请的专利一种无需网络训练的草图图像翻译方法与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：CN115147513B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202210824487.X，技术领域涉及：G06T11/20；该发明授权一种无需网络训练的草图图像翻译方法与系统是由周凡;李兆文;林淑金;陈小燕设计研发完成，并于2022-07-14向国家知识产权局提交的专利申请。

本一种无需网络训练的草图图像翻译方法与系统在说明书摘要公布了：本发明公开了一种无需网络训练的草图图像翻译方法与系统。包括：输入用户绘制的草图并将其自动归一化成标准形式的图像；利用加权评分机制，计算草图结构的损失、图像逼真损失以及总损失；进行网络样本空间的初始基向量和权重选择；根据定义的训练目标和训练策略，通过迭代隐变量得到用户满意的拟合草图的图像，并暂存最近迭代的n个图像供用户选择；最终用户选择最符合自身需求的图像进行保存。本发明可以使用现有的已训练好的GAN生成网络得到比较好的图像，从而降低对网络的训练成本并加快用户获取反馈的速度，本并通过分类器和判别器结合的多评分机制，使得生成的图像更加拟合草图，更能满足大部分人对于生成图像的认可。

本发明授权一种无需网络训练的草图图像翻译方法与系统在权利要求书中公布了：1.一种无需网络训练的草图图像翻译方法，其特征在于，所述方法包括： 输入用户绘制的草图，将所述绘制的草图和GAN生成器分别进行初始化，然后将所述草图自动归一化成标准形式的图像S； 利用草图结构判别定义、图像逼真判别损失定义和加权总损失定义相结合的加权评分机制，分别计算出草图结构损失L1和图像逼真损失L2和L3，然后再加权并加和得到总损失L； 将GAN生成器样本空间初始化时随机生成的隐变量输入到预训练好的GAN生成器中，并与所述标准形式的图像S一同经过所述加权评分机制进行联合评分，得到m个分值最高的隐变量定义为样本空间的基向量ζi并确定初始化权重，完成网络样本空间的初始基向量和权重选择； 定义训练目标是寻找到一组基向量ζi和它对应的权重ωii＝1，2，...，m，使得所述总损失L最小；定义训练策略为使用Adam优化器和阶段式下降型学习率，以逐步梯度下降来寻找到所述基向量ζi和它对应的权重ωii＝1，2，...，m，然后根据所述定义的训练目标和训练策略，通过迭代隐变量z得到用户满意的拟合草图的图像，并暂存最近迭代的n个图像供用户选择； 所述迭代结束后，得到最终的草图翻译结果，用户在经所述迭代结束后网络分数最优的图像和暂存最近迭代的n个图像当中，选择最符合自身需求的图像进行保存； 具体地，所述利用草图结构判别定义、图像逼真判别损失定义和加权总损失定义相结合的加权评分机制，分别计算出所述草图结构的损失L1和所述图像逼真损失L2和L3，然后再加权并加和得到总损失L，具体为： 草图结构判别损失定义，将隐变量输入到经所述预训练好的GAN生成器生成的图像Sg，Sg作为条件输入Photo-sketching网络，得到其草图轮廓Og；将得到的所述草图轮廓Og和所述标准形式的图像S，分别通过预训练好的草图识别网络Multigraphtransformer的编码器部分得到两者的特征fg和fs，特征长度为识别网络的分类个数q，将所述特征进行均方差计算得到损失，具体计算公式如下： L1＝|fs-fg|2q； 图像逼真判别损失定义，将所述生成的图像Sg分别输入到BigGAN和StyleGAN2的预训练好的判别器D2和D3中，得到损失L2和L3，具体计算公式如下： Lk＝-logDkGz,k＝2,3 其中，Gz为用隐变量z作为GAN生成器的输入生成的图像张量； 加权总损失定义，结合所述草图结构损失L1和所述图像逼真损失L2和L3，定义总损失为： L＝L1+αL2+βL3， 其中，超参数设置为α＝β＝0.5； 其中，所述草图识别网络Multigraphtransformer是由一个编码器和解码器组成的transformer模型的网络，它的编码器部分输入序列的个数，与其特征输出的个数相等，由于自注意力机制能无视输入序列位置关系，仅需取第一个序列的输出层的倒数第二层，即分类器Softmax层的前一层的对应特征，该特征囊括了整个草图的所有信息，所述草图识别网络将输入的草图看作一系列点连成的线，用自注意力机制学习笔画的序列能够有效识别草图的结构特征。

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中山大学，其通讯地址为：510006 广东省广州市海珠区新港西路135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”。