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！

龙图腾网获悉北京工业大学申请的专利一种基于深度先验的自监督多尺度盲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：CN118822900B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202410831268.3，技术领域涉及：G06T5/73；该发明授权一种基于深度先验的自监督多尺度盲图像去模糊方法是由张宁;禹晶;李林志;肖创柏设计研发完成，并于2024-06-26向国家知识产权局提交的专利申请。

本一种基于深度先验的自监督多尺度盲图像去模糊方法在说明书摘要公布了：本发明公开了一种基于深度先验的自监督多尺度盲图像去模糊方法，利用网络结构隐式建模图像先验，仅将模糊图像作为监督信号训练多尺度去模糊网络，同时估计多尺度清晰图像和模糊核。上述方法的具体做法：将盲去模糊问题分解为模糊核估计子问题和图像估计子问题，以网络和数学模型的方式交替求解直至收敛；利用多输入多输出图像生成网络生成多尺度清晰图像；求解模糊核正则化约束模型的精确解，在各尺度下估计模糊核。本发明方法无需成对的清晰模糊图像数据集；将最优化模型的自适应性与深度网络的学习能力相结合，无需考虑复杂图像先验设计；通过多尺度联合去模糊的方式，有效解决大尺寸模糊核的估计问题，避免了由粗到细地迭代带来的时间开销。

本发明授权一种基于深度先验的自监督多尺度盲图像去模糊方法在权利要求书中公布了：1.一种基于深度先验的自监督多尺度盲图像去模糊方法，其特征在于，包含以下4个步骤： 步骤1.初始化多尺度随机输入和网络参数，以及设置超参数； 构建包含四个尺度的多尺度图像生成网络；初始化网络的输入和网络参数，输入为随机矩阵{zs}，s∈{0,1,2,3}，z3为区间0,1上均匀分布的随机矩阵，其余zs，s＝0,1,2是由z3进行23-s倍最近邻上采样得来；使用He方法初始化网络参数，初始网络参数为θ0；输入为随机矩阵{zs}，经过多尺度图像生成网络的前向传播计算四个尺度下清晰图像的初始估计 步骤2.估计多尺度模糊核； 固定网络参数θk-1生成的清晰图像省略上标s，求解下式线性方程组的精确解，在各尺度下单独估计模糊核hk： Avechk＝vecZ 式中，系数矩阵A为 A＝γ[vecFvecUT+vecKvecVT]+I Z的表达式为 矩阵U，V，F，K分别为 其中，vec·为矩阵按列向量化操作，表示傅里叶变换，表示傅里叶逆变换，表示傅里叶变换的复共轭； 步骤3.估计多尺度清晰图像； 固定当前多尺度模糊核的估计由θk-1更新θk，生成多尺度清晰图像估计包含以下3个步骤： 步骤3.1计算损失函数关于网络参数的梯度： 本发明网络的损失函数为： 计算损失函数Lθ关于参数θ的梯度 步骤3.2更新多尺度图像生成网络的网络参数： 利用Adam梯度下降算法更新网络参数θk： 式中，η为学习率，∈为常数，偏差修正后的动量和二阶动量分别为 其中，⊙表示逐元素相乘，0≤β11,0≤β2＜1； 步骤3.3生成多尺度清晰图像： 通过网络前向传播计算更新网络参数后的四个尺度的清晰图像 步骤4.判断损失函数是否收敛或是否达到最大迭代次数K，输出模糊核与清晰图像的估计； 通过步骤2和步骤3，获得多尺度模糊核的估计并将多尺度清晰图像的估计更新为完成对目标函数的一次迭代求解；若损失函数收敛到某一阈值以下或达到最大迭代次数K，则停止迭代，输出最终的模糊核与清晰图像估计；否则，重复步骤2和步骤3。

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北京工业大学，其通讯地址为：100020 北京市朝阳区平乐园100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。