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！

龙图腾网获悉中国人民解放军火箭军工程大学申请的专利一种基于循环扩散模型的非配对图像去雾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：CN119991497B 。

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：202411975235.2，技术领域涉及：G06T5/73；该发明授权一种基于循环扩散模型的非配对图像去雾方法是由崔智高;兰云伟;刘东;苏延召;王念;李爱华设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于循环扩散模型的非配对图像去雾方法在说明书摘要公布了：本发明公开了一种基于循环扩散模型的非配对图像去雾方法，包括步骤：一、训练集图像的获取；二、构建基于循环扩散模型去雾网络；三、真实有雾图像的特征提取和真实清晰图像的特征提取；四、总损失函数的建立；五、基于循环扩散模型去雾网络的训练；六、利用训练好的基于循环扩散模型去雾网络对单幅图像去雾。本发明方法步骤简单，设计合理，基于非配对的真实有雾图像与真实清晰图像对基于循环扩散模型去雾网络进行训练，在保证去雾能力的同时充分利用基于循环扩散模型去雾网络中稳定循环扩散模型所包含的先验信息，使得生成的去雾图像具有更好的视觉质量，去雾网络具有较好的泛化能力。

本发明授权一种基于循环扩散模型的非配对图像去雾方法在权利要求书中公布了：1.一种基于循环扩散模型的非配对图像去雾方法，其特征在于，该方法包括以下步骤： 步骤一、训练集图像的获取： 从雾天图像数据库RESIDE中的RTTS数据集和URHI数据集中收集真实有雾图像，从ADE20K数据库和雾天图像数据库RESIDE中的OTS数据集中收集真实清晰图像，作为训练数据；其中，一张真实有雾图像和一张真实清晰图像作为一组训练数据； 步骤二、构建基于循环扩散模型去雾网络： 所述基于循环扩散模型去雾网络包括去雾分支网络和加雾分支网络，所述去雾分支网络包括第一去雾网络模块、第一加雾网络模块和去雾鉴别器，所述加雾分支网络包括第二加雾网络模块、第二去雾网络模块和加雾鉴别器；其中，所述第一去雾网络模块、第二去雾网络模块、第一加雾网络模块和第二加雾网络模块的结构相同，所述去雾鉴别器和加雾鉴别器结构相同； 所述第一去雾网络模块和第二去雾网络模块均包括去雾主干网络、文本感知引导模块、物理感知引导模块； 所述第一加雾网络模块和第二加雾网络模块均包括加雾主干网络、文本感知引导模块；去雾主干网络和加雾主干网络均为稳定循环扩散模型； 所述去雾主干网络和加雾主干网络的结构相同，且均包括VAE编码器、UNet和VAE解码器，所述VAE编码器和VAE解码器之间添加四个零卷积层； 步骤三、真实有雾图像的特征提取和真实清晰图像的特征提取： 步骤301、将真实有雾图像x经过第一去雾网络模块中的文本感知引导模块处理，得到加入文本控制条件的有雾图像，并将加入文本控制条件的有雾图像经过第一去雾网络模块中的去雾主干网络，得到去雾后的清晰图像 将真实有雾图像x经过第二加雾网络模块中的文本感知引导模块处理，得到加入文本控制条件的输入有雾图像，并将加入文本控制条件的输入有雾图像经过第二加雾网络模块中的加雾主干网络，得到输出加雾图像Fx； 将真实有雾图像x经过第一去雾网络模块中的物理感知引导模块，得到第一重构有雾图像Iphy； 将去雾后的清晰图像经过第一加雾网络模块中的文本感知引导模块，得到加入文本控制条件的去雾图像，加入文本控制条件的去雾图像经过第一加雾网络模块中加雾主干网络处理，得到合成有雾图像 步骤302、将真实清晰图像y经过第二加雾网络模块中的文本感知引导模块处理，得到加入文本控制条件的清晰图像，并将加入文本控制条件的清晰图像经过第二加雾网络模块中的加雾主干网络，得到加雾后的图像 将真实清晰图像y经过第一去雾网络模块中的文本感知引导模块处理，得到加入文本控制条件的输入清晰图像，并将加入文本控制条件的输入清晰图像经过第一去雾网络模块的去雾主干网络，得到输出清晰图像Gy； 将加雾后的图像经过第二去雾网络模块中的文本感知引导模块，得到加入文本控制条件的加雾图像，并将加入文本控制条件的加雾图像经过第二去雾网络模块中的去雾主干网络处理，得到合成去雾图像 将加雾后的图像经过第二去雾网络模块中的物理感知引导模块，得到第二重构有雾图像I′phy； 步骤四、总损失函数的建立： 步骤401、根据得到生成对抗损失LGAN；其中，DYy表示真实清晰图像y经过去雾鉴别器输出的值，表示去雾后的清晰图像经过去雾鉴别器输出的值，DXx表示真实有雾图像x经过加雾鉴别器输出的值，表示加雾后的图像经过加雾鉴别器输出的值； 步骤402、根据得到循环一致损失Lcyc；其中，表示真实有雾图像x和合成有雾图像之间的曼哈顿距离，表示真实有雾图像x和合成有雾图像之间的LPIPS距离，表示真实清晰图像y和合成去雾图像之间的曼哈顿距离，表示真实清晰图像y和合成去雾图像之间的LPIPS距离； 步骤403、根据Lidt＝Lrec1Gy,y+Lrec2Gy,y+Lrec1Fx,x+Lrec2Fx,x，得到身份损失Lidt；其中，Lrec1Gy,y表示真实清晰图像y和输出清晰图像Gy之间的曼哈顿距离，Lrec2Gy,y表示真实清晰图像y和输出清晰图像Gy之间的LPIPS距离，Lrec1Fx,x表示真实有雾图像x和输出加雾图像Fx之间的曼哈顿距离，Lrec2Fx,x表示真实有雾图像x和输出加雾图像Fx之间的LPIPS距离； 步骤404、根据Lphy1＝Lphy+L′phy，得到重构损失Lphy1；其中，Lphy表示第一分支重构损失，且Lphy＝Lrec1x,Iphy+Lrec2x,Iphy，Lrec1x,Iphy表示真实有雾图像x和第一重构有雾图像Iphy之间的曼哈顿距离，Lrec2x,Iphy表示真实有雾图像x和第一重构有雾图像Iphy之间的LPIPS距离；Lp′hy表示第二分支重构损失，且表示加雾后的图像和第二重构有雾图像I′phy之间的曼哈顿距离，表示加雾后的图像和第二重构有雾图像I′phy之间的LPIPS距离； 步骤405、根据Lloss＝LGAN+Lcyc+Lidt+0.5Lphy1，得到总损失函数Lloss； 步骤五、基于循环扩散模型去雾网络的训练： 步骤501、计算机采用Adam优化算法，输入一组训练数据，先利用生成对抗损失LGAN对加雾鉴别器和去雾鉴别器进行训练，直至得到生成对抗损失LGAN最大值下的加雾鉴别器和去雾鉴别器； 步骤502、计算机采用Adam优化算法，输入该组训练数据，在步骤501确定的加雾鉴别器和去雾鉴别器下，利用总损失函数Lloss对基于循环扩散模型去雾网络进行训练，直至总损失函数Lloss最小，完成该组训练数据的训练； 步骤503、按照步骤501至步骤502的方法，直至训练集全部训练，完成一次迭代训练； 步骤504、重复步骤501至步骤503，迭代训练直至满足迭代训练预设次数，得到训练好的基于循环扩散模型去雾网络； 步骤六、利用训练好的基于循环扩散模型去雾网络对单幅图像去雾： 采用计算机将任一张有雾图像输入训练好的基于循环扩散模型去雾网络的去雾分支网络中的第一去雾网络模块中进行去雾处理，得到去雾后的清晰图像。

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中国人民解放军火箭军工程大学，其通讯地址为：710025 陕西省西安市灞桥区洪庆街道同心路2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。