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！

龙图腾网获悉北京智源人工智能研究院申请的专利基于模块化自编码的可控生成网络的训练方法和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：CN119027527B 。

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：202410940672.4，技术领域涉及：G06T11/60；该发明授权基于模块化自编码的可控生成网络的训练方法和装置是由陈智强;雷博;范国藩;陈雯婕;余山;黄铁军设计研发完成，并于2024-07-13向国家知识产权局提交的专利申请。

本基于模块化自编码的可控生成网络的训练方法和装置在说明书摘要公布了：本发明公开了基于模块化自编码的可控生成网络的训练方法和装置，属于人工智能技术领域。训练方法包括：获取训练数据，基于所述训练数据，利用等变约束对卷积网络自编码器进行训练，得到训练好的自编码器；基于预训练的潜在扩散模型构建针对k个不同模块的k个适配器；将训练数据中的图像I输入至训练好的自编码器中获得第i个模块的特征图fi；利用得到的特征图fi和目标优化函数训练潜在扩散模型的第i个适配器；将训练好的自编码器和适配器共同构成基于模块化自编码的可控生成网络。本发明提供的自监督的训练方式不需要人工设计控制条件，也不需要额外的人工标注，简化了可控生成网络的训练流程，同时提高了控制条件的丰富性。

本发明授权基于模块化自编码的可控生成网络的训练方法和装置在权利要求书中公布了：1.一种基于模块化自编码的可控生成网络的训练方法，其特征在于，包括： 获取训练数据，所述训练数据包括图像I以及图像I变换后得到的图像I′； 基于所述训练数据，利用等变约束对卷积网络自编码器进行训练，得到训练好的自编码器；其中，等变约束LEC采用如下公式进行计算： Lequ＝∑i||f′i-Miδfi||2，i∈{0,1，...，k-1}， LEC＝Lrecon+λ1Lequ+λ2Lsym， f＝I*W， f′＝I′*W， 其中，I′＝LδI，Lδ为某种变换且变换参数为δ；W为卷积网络自编码器的卷积核，且W＝[W0，W1，...，Wk-1]，即卷积核分为k个模块；f为图像I经过卷积后得到的特征图像，且f＝[f0，f1，...，fk-1]；f′为图像I′经过卷积后得到的特征图像，f′＝[f′0，f′1，...，f′k-1]；*表示卷积操作，表示反卷积操作；fi为图像I经过卷积核的第i个模块卷积后得到的特征图；f′i为图像I′经过卷积核的第i个模块卷积后得到的特征图；Miδ为第i个模块参数为δ的预测矩阵，该预测矩阵通过随机初始化后经过模型训练优化得到；Lrecon为重建损失，Lequ为等变损失，Lsym为对称损失，LEC为等变约束；λ1和λ2分别为等变损失和对称损失的权重系数；l表示各个模块的维度数量；表示第i个模块只有第m维为1其余维度为0的特征图，表示第i个模块只有第n维为1其余维度为0的特征图；为从到的最优变换参数；为参数为δ预测矩阵Miδ的第m行第n列的值；为参数为δ′的预测矩阵Miδ′的第m行第n列的值；T为一个大于0的超参数；为变换参数为时的预测矩阵；δ′为积分变量，用来区分不同积分项下的变换参数δ； 基于预训练的潜在扩散模型构建针对k个不同模块的k个适配器； 将训练数据中的图像I输入至训练好的自编码器中获得第i个模块的特征图fi，i＝0,1,2，...，k-1； 利用得到的特征图fi和如下所示的目标优化函数训练潜在扩散模型的第i个适配器： 其中，z0是潜在扩散模型对于输入的图像I的潜在表征，zt是在时间步t的加噪潜在表征，ctxt是文本提示，∈是满足分布为N0,1的实际添加的随机噪声，N0,1为均值为0方差为1的正态分布，是通过优化参数θ预测的噪声，表示预测的噪声与实际添加的随机噪声∈的偏差的模的平方的期望，Lmci为针对第i个模块特征图fi的适配器的损失函数； 将训练好的自编码器和训练好的适配器共同构成基于模块化自编码的可控生成网络。

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智源人工智能研究院，其通讯地址为：100084 北京市海淀区成府路150号5层501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。