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！

龙图腾网获悉上海交通大学申请的专利一种基于交互自蒸馏与结构重参数化的相位解包裹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：CN120783044B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202510859249.6，技术领域涉及：G06V10/26；该发明授权一种基于交互自蒸馏与结构重参数化的相位解包裹方法是由杨佳苗;杜临彤;刘华臻;管一佳设计研发完成，并于2025-06-25向国家知识产权局提交的专利申请。

本一种基于交互自蒸馏与结构重参数化的相位解包裹方法在说明书摘要公布了：本发明涉及一种基于交互自蒸馏与结构重参数化的相位解包裹方法，包括：构建梯度分割模型，在语义分割网络中添加交互自蒸馏机制；采用Repvgg模块作为网络的基本模块；网络末端的分割器采用集成架构强分割器；损失函数采用加权交叉熵损失和加权均方误差损失；采用自适应增强策略，将梯度分割模型在预先构造的数据集上进行训练，得到包裹计数梯度预测模型；将当前包裹相位图输入该模型，输出得到对应的横向和纵向的包裹计数梯度，再通过基于离散余弦变化的最小二乘方法得到包裹计数图，将包裹计数乘2π后与包裹相位图相加得到展开相位。与现有技术相比，本发明能够实现端到端的跨分辨率相位展开，能够对不同分辨率图像进行高精度且稳定的相位解包裹。

本发明授权一种基于交互自蒸馏与结构重参数化的相位解包裹方法在权利要求书中公布了：1.一种基于交互自蒸馏与结构重参数化的相位解包裹方法，其特征在于，包括以下步骤： 将数据集分为训练集、验证集和测试集，每组数据包括输入和标签，输入为带有噪声的包裹相位图，标签为横向和纵向的包裹计数梯度图； 构建基于卷积神经网络的梯度分割模型，在语义分割网络中添加交互自蒸馏机制，实现跨层次的监督学习，确保在高分辨率下的语义提取稳定性；采用Repvgg模块作为网络的基本模块，该模块在训练过程以双分支形态训练参数，在推理阶段，双分支架构通过结构重参数化等效合并为单分支架构，减少模型参数量和显存消耗；网络末端的分割器采用集成架构，将三个包含不同空洞率卷积的弱分割器集成为一个强分割器，用于适应不同空间频率的语义信息；损失函数采用加权交叉熵损失和加权均方误差损失，用于提升梯度分割精度； 将构建的梯度分割模型在数据集上进行训练，训练过程中采用自适应增强策略，赋予错误率高的样本更高的权重，以提高对于易错样本的重视程度，同时根据三个分割器各自的正确率赋予不同的权重，以达到最优的集成效果；待训练完成后得到参数固定的包裹计数梯度预测模型； 将当前包裹相位图输入包裹计数梯度预测模型，输出得到对应的横向和纵向的包裹计数梯度，再通过基于离散余弦变化的最小二乘方法得到包裹计数图，将包裹计数乘2π后与包裹相位图相加得到展开相位； 所述语义分割网络包括编码器，解码器和交互自蒸馏模块，所述编码器用于对输入的包裹相位图进行多次下采样，且每次下采样后均经过Repvgg模块进行特征提取； 所述解码器用于对输入的包裹相位图进行多次上采样，且每次上采样后均通过普通卷积层进行提取特征； 所述编码器和解码器中具有相同分辨率的特征层之间通过交互自蒸馏模块相连接，以进行双向注意力蒸馏； 所述交互自蒸馏模块具体是在训练过程中将编码器和解码器对应层的特征注意力图作为交互蒸馏目标，优化双向KL散度，实现跨层次的监督学习，确保在高分辨率下的语义提取稳定性； 所述交互自蒸馏模块的工作过程包括： 第一步、提取编码器和解码器中对应层的特征注意图软标签，提取过程中首先为计算特征图中每一点各通道像素值总和，计算表达式如下： ，其中，和分别表示编码器和解码器的特征图中第c通道在位置 处的值； 之后沿空间维度应用 Softmax 函数进行归一化，生成注意力图软标签： ，，其中，和分别表示图像的高度和宽度，、分别是编码器和解码器的注意力图软标签在 位置处的值； 第二步、计算双向的KL散度损失，以实现双向的蒸馏学习，计算方式如下： ，，，其中，为从编码器到解码器的KL散度，此时编码器作为教师、解码器作为学生，为从解码器到编码器的KL散度，此时解码器作为教师、编码器作为学生。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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。