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！

龙图腾网获悉天津科技大学申请的专利一种使用对比学习和数据增强的单向图像转换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：CN114581295B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202210248688.X，技术领域涉及：G06T3/04；该发明授权一种使用对比学习和数据增强的单向图像转换方法是由张贤坤;邢志强;张雪松;张翼英设计研发完成，并于2022-03-14向国家知识产权局提交的专利申请。

本一种使用对比学习和数据增强的单向图像转换方法在说明书摘要公布了：本发明公开了一种使用对比学习和数据增强的单向图像转换方法，包括如下步骤：分别从源域和目标域获取用于单向图像转换的训练数据集，输入预先构建的转换网络模型中，基于特征插值对训练数据集进行数据增强；训练数据集包括：输入图像和输出图像；将数据增强后的训练数据集输入转换网络模型中进行训练，通过对比学习建立目标函数，生成训练好的转换网络模型；将待转换的图像输入训练好的转换网络模型中，输出转换好的图像。可有效防止构建的转换网络模型判别器出现过度拟合的现象，且增大了网络的泛化能力，并且有效保证了样本之间的感知关系，提高了单向图像转换效率。

本发明授权一种使用对比学习和数据增强的单向图像转换方法在权利要求书中公布了：1.一种使用对比学习和数据增强的单向图像转换方法，其特征在于，包括如下步骤： S1、分别从源域和目标域获取用于单向图像转换的训练数据集，输入预先构建的转换网络模型中，基于特征插值对所述训练数据集进行数据增强；所述训练数据集包括：输入图像和输出图像； S2、将数据增强后的所述训练数据集输入所述转换网络模型中进行训练，通过对比学习建立目标函数，生成训练好的转换网络模型； S3、将待转换的图像输入所述训练好的转换网络模型中，输出转换好的图像； 所述步骤S1中，基于特征插值对所述训练数据集进行数据增强，包括： S11、将所述训练数据集在特征层面上进行插值，所述插值的数据为： e′＝λ·e1+1-λ·e2 上式中，e’表示所述插值的数据；λ表示插值权重，λ∈[0,1]；e1和e2表示两个特征向量，通过将x1和x2输入所述转换网络模型中的编码器获得，所述x1和x2表示所述源域中的两个随机样本； S12、根据约束限制，将所述插值的数据转换成保持特定内容信息的插值数据，输入所述转换网络模型中的解码器得到插值图像，对所述训练数据集进行数据增强；所述特定内容信息指所述训练数据集图像中物体的形状和位置； 所述步骤S12中的约束限制为： 上式中，表示内容损失；s′＝G2G1e′，e’表示所述插值的数据，G1表示所述转换网络模型的生成器G的前半部分，G2表示所述转换网络模型的生成器G的后半部分；t1表示所述x1的内容信息；t2表示所述x2的内容信息；trand表示xrand的内容信息，所述xrand表示所述源域中除了所述x1和所述x2的另外一个随机样本；φs’表示所述s’经过预先构建的内容提取网络后的输出；φt1表示所述t1经过所述内容提取网络后的输出；φt2表示所述t2经过所述内容提取网络后的输出；φtrand表示所述trand经过所述内容提取网络后的输出； 所述步骤S2中，通过对比学习建立目标函数，包括： S21、根据所述转换网络模型中的编码器中间层生成特征图，输出特征向量； S22、根据所述特征向量，匹配所述训练数据集的输入图像中与所述输出图像相关的图像块，生成正激励信号；并将所述输入图像与所述输出图像不相关的其他图像块作为负样本，生成负激励信号，构建PatchNCE损失函数： 上式中，G表示所述转换网络模型的生成器；H表示所述转换网络模型；X表示所述源域；L表示所述转换网络模型的中间层数量；Sl表示所述转换网络模型的第l层中间层的特征数量；表示所述输出图像的特征编码；表示所述正激励信号；表示所述负激励信号；表示对于所述源域的期望；x表示所述源域中的图像； S23、根据所述PatchNCE损失函数和对抗损失，建立目标函数： 上式中，λX表示所述源域的对比损失系数；λY表示所述目标域的对比损失系数；G表示所述转换网络模型的生成器；H表示所述转换网络模型；X表示所述源域；Y表示所述目标域

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天津科技大学，其通讯地址为：300457 天津市滨海新区第十三大街9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。