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！

龙图腾网获悉温州大学申请的专利一种基于零样本学习的两阶段解耦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：CN116757957B 。

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：202310744185.6，技术领域涉及：G06T5/73；该发明授权一种基于零样本学习的两阶段解耦图像去雾方法是由赵丽;林盛;张笑钦设计研发完成，并于2023-06-25向国家知识产权局提交的专利申请。

本一种基于零样本学习的两阶段解耦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零样本学习的两阶段解耦图像去雾方法，该方法采用三个子网络将观测到的雾霾图像解耦为几个潜在层，包括无雾图像层、传输图层和大气光层。该方法的主要重点是恢复无雾图像和传输图。简而言之，该方法在第一阶段使用嵌入的暗通道先验DCP来获得无雾图像和透射图的粗略估计。在第二阶段，两个子网络对第一阶段的结果进行细化，以获得更准确的无雾图像和传输图，而另一个子网络则直接估计大气光。具体来说，我们还提出了一种新的多尺度Transformer块，并将其应用于细化无雾图像的子网络，它在自注意力部分执行多尺度令牌聚合，使其能够捕捉不同尺度的特征，并有效地恢复雾图中的潜在场景信息。

本发明授权一种基于零样本学习的两阶段解耦图像去雾方法在权利要求书中公布了：1.一种基于零样本学习的两阶段解耦图像去雾方法，其特征在于：包括以下步骤： 1获取真实的单图像去雾数据集中的合成目标测试集和混合主观测试集的两个测试子集，对原始数据集进行预处理，作为测试集； 2构建去雾网络模型：根据大气散射物理模型Ix＝Jxtx+A[1-tx]， 其中x表示输入的雾霾图像，Ix表示重构后的有雾图像，Jx表示原始的场景信息，tx表示透射率，A表示大气散射光； 基于解耦的思想将网络模型分为潜在的无雾图像层、传输图层和全局大气光层三层，对潜在的无雾图像以及传输图层使用两个阶段进行估计，第一阶段使用嵌入的暗通道先验进行粗略估计，第二阶段则分别使用无雾图像细化网络和传输图层细化网络进行精细化的估计，对于全局大气光，使用一个编码器-解码器网络来估计，在网络的顶端，将无雾图像细化网络、传输图层细化网络以及大气光估计网络三个子网络估计的图像再根据大气散射物理模型重构，获得重构后的雾霾图像； 3将预处理后的数据集中的雾霾图像输入到构建好的去雾网络模型中，根据设计好的损失函数计算损失，不断迭代更新参数，对雾霾图像直接进行图像去雾； 步骤A2中，计算多尺度自注意力Multi-scaleSelf-attention，MSSA，包括两个分支： A21在分支中，对查询向量Q、键向量K、值向量V进行不同的处理，对于Q，保留原始的尺度，对其进行普通的全连接操作，对于K、V，在同一自注意力层中，使用尺度变换ST来获得不同尺寸的K和V，具体表示为： Q＝XWQ, Ki＝STiXWik,Vi＝STiXWiV, Vi＝Vi+LEiVi, 其中X表示输入的特征序列，WQ,WiK,WiV是第i个尺度层在自注意层同一头部的线性投影参数，LEi·是深度卷积的局部增强分量；而STi·是第i个尺度层的尺度变换操作，它提供对X的降采样，可具体表示为： STiX＝LNConviX, 其中，LN·是指层归一化LayerNormalization；Convi·是指第i个尺度层所使用的卷积，不同尺度层所用的内核大小和步幅不同，从而造就了不同的尺度变换；因此，在同一自我注意力层中，键和值捕捉到不同尺度的特征；然后，自注意力头head可以计算为： 其中Softmax·是激活函数，T表示转置操作，d是维度，将不同的头连接，通过以下方法计算主要分支中的多头自我注意Multi-headselfattention，MH： MHQ,Ki,Vi＝Concathead0，﹣﹣﹣，headiWO， 其中Concat·是连接操作，headi表示第i个自注意力头，WO是线性投影参数；A22另一个保留邻域信息的分支仅对输入的特征依次进行线性投影和卷积操作，多尺度自注意力MSSA可表示为： MSSA＝ConcatMH{Q,Ki,Vi}i＝1,---,m+Conv0XWO， 其中Concat·是连接操作，MH表示多头自我注意力，Q,Ki,Vi分别表示查询向量、第i个尺度层的键向量、第i个尺度层的值向量，Conv0·是指卷积操作，X是输入的特征序列，WO是线性投影参数。

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温州大学，其通讯地址为：325000 浙江省温州市瓯海区茶山高教园区温州大学；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。