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！

龙图腾网获悉北京理工大学申请的专利一种雨雪环境下多任务学习的图像恢复方法及装置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：CN119295351B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202411395377.1，技术领域涉及：G06T5/77；该发明授权一种雨雪环境下多任务学习的图像恢复方法及装置是由王力;徐彬;戴崑;杨路;徐涛;李颖设计研发完成，并于2024-10-08向国家知识产权局提交的专利申请。

本一种雨雪环境下多任务学习的图像恢复方法及装置在说明书摘要公布了：本申请提供一种雨雪环境下多任务学习的图像恢复方法及装置，其中的方法包括：对自车采集的RGB图像进行二倍下采样和四倍下采样，得到第一下采样图像和第二下采样图像；当所述自车处于雨天环境，利用预先训练完成的第一图像恢复主干网络对RGB图像、第一下采样图像和第二下采样图像进行处理，得到特征图；利用预先训练完成的第一回归层对特征图进行处理，得到恢复后的图像；或者，当所述自车处于雪天环境，利用预先训练完成的第二图像恢复主干网络对RGB图像、第一下采样图像和第二下采样图像进行处理，得到特征图，得到特征图；利用预先训练完成的第二回归层对特征图进行处理，得到恢复后的图像。本申请有效提升红外相机在雨雪天气中的成像质量。

本发明授权一种雨雪环境下多任务学习的图像恢复方法及装置在权利要求书中公布了：1.一种雨雪环境下多任务学习的图像恢复方法，其特征在于，包括： 获取自车的红外相机采集的RGB图像； 利用分类网络对所述RGB图像进行分类检测，得到分类结果；根据分类结果确定自车处于雨天环境或者自车处于雪天环境； 对RGB图像进行二倍下采样，得到第一下采样图像；对RGB图像进行四倍下采样，得到第二下采样图像； 当所述自车处于雨天环境，利用预先训练完成的第一图像恢复主干网络对所述RGB图像、第一下采样图像和第二下采样图像进行处理，得到特征图；利用预先训练完成的第一回归层对特征图进行处理，得到恢复后的图像；或者， 当所述自车处于雪天环境，利用预先训练完成的第二图像恢复主干网络对所述RGB图像、第一下采样图像和第二下采样图像进行处理，得到特征图；利用预先训练完成的第二回归层对特征图进行处理，得到恢复后的图像； 所述第一图像恢复主干网络和第二图像恢复主干网络的结构相同，参数不同； 利用预先训练完成的第一图像恢复主干网络对所述RGB图像、第一下采样图像和第二下采样图像进行处理，得到特征图，包括： 利用第一卷积层对RGB图像进行特征提取，得到128维度的第一特征图；利用第二卷积层对第一下采样图像进行特征提取，得到128维度的第二特征图；利用第三卷积层对第二下采样图像进行特征提取，得到128维度的第三特征图； 利用第四卷积层对第一特征图进行处理，得到第四特征图；利用一个步长为2的第五卷积层对第四特征图进行处理，得到第五特征图；将第五特征图和第二特征图在通道维度上进行拼接，得到维度为256的第六特征图； 利用第六卷积层对第六特征图进行降低维度的处理，得到维度为128的第七特征图； 利用一个步长为2的第七卷积层对第七特征图进行处理，得到第八特征图，将第八特征图和第三特征图在通道维度上进行拼接，得到第九特征图； 利用第八卷积层对第九特征图进行降低维度的处理，得到维度为128的第十特征图； 利用一个步长为2的第一反卷积层对第十特征图进行处理，得到第十一特征图，将第十一特征图和第三特征图在通道维度上进行拼接，得到第十二特征图； 利用第九卷积层对第十二特征图进行降低维度的处理，得到第十三特征图； 利用一个步长为2的第二反卷积层对第十三特征图进行提升分辨率的处理，得到第十四特征图；将第十四特征图和第四特征图在通道维度进行拼接，得到第十五特征图； 利用第十卷积层对第十五特征图进行降低维度的处理，得到维度为128的特征图； 所述方法还包括：对第一图像恢复主干网络、第一回归层、第二图像恢复主干网络和第二回归层进行联合训练的步骤，具体包括： 构建训练网络，包括并行的第一分支和第二分支，所述第一分支包括第一图像恢复主干网络和第一回归层,所述第二分支包括第二图像恢复主干网络和第二回归层； 建立雨天数据集和雪天数据集；所述雨天数据集包括N张雨天采集的第一RGB图像样本；所述雪天数据集包括N张雪天采集的第二RGB图像样本； 对第一RGB图像样本进行二倍下采样，得到第一下采样图像样本；对第一RGB图像样本进行四倍下采样，得到第二下采样图像样本； 对第二RGB图像样本进行二倍下采样，得到第三下采样图像样本；对第二RGB图像样本进行四倍下采样，得到第四下采样图像样本； 利用第一图像恢复主干网络对第一RGB图像样本、第一下采样图像样本和第二下采样图像样本进行处理，得到第一特征图样本；利用第一回归层对第一特征图样本进行处理，得到第一恢复图像样本； 基于第一恢复图像样本和第一RGB图像样本，确定第一损失值； 利用第二图像恢复主干网络对第二RGB图像样本、第三下采样图像样本和第四下采样图像样本进行处理，得到第二特征图样本；利用第二回归层对第二特征图样本进行处理，得到第二恢复图像样本； 基于第二恢复图像样本和第二RGB图像样本，确定第二损失值； 利用第一损失值和第二损失值，采用跨任务细粒度参数自适应共享策略更新第一图像恢复主干网络和第二图像恢复主干网络的权重参数，同时更新第一回归层和第二回归层的权重参数； 利用第一损失值和第二损失值，采用跨任务细粒度参数自适应共享策略更新第一图像恢复主干网络和第二图像恢复主干网络的权重参数，同时更新第一回归层和第二回归层的权重参数，包括： 将第一图像恢复主干网络的每个卷积层和反卷积层的权重参数划分为共享参数和特定参数；将第二图像恢复主干网络的每个卷积层和反卷积层的权重参数划分为共享参数和特定参数； 利用第一损失值更新第一图像恢复主干网络中各卷积层的共享参数和特定参数以及各反卷积层的共享参数和特定参数，和第一回归层的两个卷积层的权重参数； 利用第二损失值更新第二图像恢复主干网络中各卷积层的共享参数和特定参数以及各反卷积层的共享参数和特定参数，和第二回归层的两个卷积层的权重参数，其中，第一图像恢复主干网络和第二图像恢复主干网络中相同位置的卷积层和反卷积层的共享参数相同； 根据第一图像恢复主干网络中各卷积层的共享参数和特定参数以及各反卷积层的共享参数和特定参数，分别确定各卷积层的权重参数以及各反卷积层的权重参数； 根据第二图像恢复主干网络中各卷积层的共享参数和特定参数以及各反卷积层的共享参数和特定参数，分别确定各卷积层的权重参数以及各反卷积层的权重参数； 根据第一图像恢复主干网络中各卷积层的共享参数和特定参数以及各反卷积层的共享参数和特定参数，分别确定各卷积层的权重参数以及各反卷积层的权重参数；包括： 当一个卷积层或者反卷积层的共享参数为，特定参数为，加权系数为，则权重参数为： 。

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理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。