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！

龙图腾网获悉厦门大学申请的专利基于动态频谱混合网络的用于单图像超分辨率的双域学习方法、电子设备和存储介质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：CN119515682B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202411442828.2，技术领域涉及：G06T3/4053；该发明授权基于动态频谱混合网络的用于单图像超分辨率的双域学习方法、电子设备和存储介质是由纪荣嵘;张岩;何子豪;张声传;曹刘娟设计研发完成，并于2024-10-16向国家知识产权局提交的专利申请。

本基于动态频谱混合网络的用于单图像超分辨率的双域学习方法、电子设备和存储介质在说明书摘要公布了：本发明公开一种基于动态频谱混合网络的用于单图像超分辨率的双域学习方法、电子设备和存储介质，有效整合空间域和频率域特征，以改进图像超分辨率的质量和适用性，包括：步骤1、在分解阶段，对于给定的输入图像分别通过步长为、的卷积层来提取低频特征、高频特征；步骤2、低频特征通过个级联的残差密集块后获得空间特征，高频特征通过个级联的复值块后获得频率特征；步骤3、空间特征、频率特征分别由特征增强和选择单元进行增强和融合；步骤4、由动态特征融合编码器对于空间特征和频率特征通过单独但互连的路径进行处理，最终输出动态特征融合编码器输出的超分辨率图像。

本发明授权基于动态频谱混合网络的用于单图像超分辨率的双域学习方法、电子设备和存储介质在权利要求书中公布了：1.一种基于动态频谱混合网络的用于单图像超分辨率的双域学习方法，其特征在于包括： 步骤1、在分解阶段，对于给定的输入图像，分别通过步长为、的卷积层、来提取低频特征、高频特征，其计算公式表达为 ； 步骤2、分解后，低频特征通过个级联的残差密集块后获得空间特征，高频特征通过个级联的复值块后获得频率特征，其计算公式表达为： ； 步骤3、步骤2处理后的空间特征、频率特征分别由特征增强和选择单元进行增强和融合，具体是： 在特征增强和选择单元中，首先空间特征、频率特征经过卷积层处理得到卷积特征图，然后通过空间注意力机制在卷积特征图上应用深度卷积，再进行sigmoid激活以生成空间注意力图，其计算公式表达为： ； 其中，表示sigmoid激活函数；表示具有可学习权重的深度卷积层，、分别表示深度卷积层的权重、偏差； 执行空间注意力图与卷积特征图的逐元素乘法获得空间参与特征图，并通过卷积层将其细化为细化特征图，然后通过全局平均池化GAP层以获得描述符； 通过公式获得通道注意力图，其中、表示两个全连接层的权重，表示实数空间，表示图像的通道数，表示压缩比，、表示两个全连接层的偏差，表示ReLU激活函数； 执行通道注意力图与细化特征图的逐元素乘法以实现缩放细化特征，从而获得逐通道增强特征图，并使用卷积层处理以获得的特征增强和选择单元最终输出的输出特征图，该输出特征图是特征增强和选择单元的复合特征增强与选择机制的结果； 步骤4、由动态特征融合编码器对于步骤2获得的空间特征和频率特征通过单独但互连的路径进行处理： 频率特征通过快速傅里叶变换变换到频率域，得到频率编码特征，其计算公式表达为；将该频率编码特征代入公式获得一组学习权重，其中表示全局平均池化操作，表示全连接网络FullyConnectedNetwork，表示Softmax函数； 动态特征融合编码器中设置有自适应卷积块，其由复值卷积组成，用于处理复数特征的实数分量和虚数分量，以捕获特征动态的完整谱，其计算公式表达为，其中表示卷积核的数量，表示卷积核的索引，表示与第个卷积核对应的权重，表示第个复值卷积； 同时，空间特征通过卷积级联进行简洁处理，然后进行门控操作和随后的融合，其计算公式表达： ； 其中，表示增强后的空间特征；表示简化表达的复合函数；表示空间特征与频率特征融合之前的最后一个卷积层；表示两个连续的的卷积层；表示逐元素乘法；表示单次卷积分支处理的空间特征； 通过公式获得融合增强特征以重新整合空间信息，其中表示快速傅里叶逆变换； 最后，将完整谱与融合增强特征合并得到特征集，并通过具有ReLU激活的卷积层对其进行细化，得到动态特征融合编码器输出的超分辨率图像。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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。