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！

龙图腾网获悉湖南师范大学申请的专利基于联合扩散-对抗训练模型的毛体生成方法及系统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：CN121147349B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202511685877.3，技术领域涉及：G06T11/60；该发明授权基于联合扩散-对抗训练模型的毛体生成方法及系统是由高协平;江先哲;范勇;吴梓铨;付华炜设计研发完成，并于2025-11-18向国家知识产权局提交的专利申请。

本基于联合扩散-对抗训练模型的毛体生成方法及系统在说明书摘要公布了：本发明提供了一种基于联合扩散‑对抗训练模型的毛体生成方法及系统，该方法包括如下步骤：对获取的毛体样本数据集进行预处理，以获取毛体特征图像；将所述毛体特征图像输入构建的联合扩散‑对抗训练模型进行训练，以获取第一毛体特征图像；根据所述第一毛体特征图像对所述联合扩散‑对抗训练模型进行优化；根据优化后的所述联合扩散‑对抗训练模型获取目标毛体图像；通过该方法能够有效地捕捉毛体的艺术特征，使生成的毛体字形既具结构稳定性，又能够体现毛体独有的笔势起伏、转折与收尾等细节特征；该系统具有相同的有益效果。

本发明授权基于联合扩散-对抗训练模型的毛体生成方法及系统在权利要求书中公布了：1.一种基于联合扩散-对抗训练模型的毛体生成方法，其特征在于，包括如下步骤： 对获取的毛体样本数据集进行预处理，以获取毛体特征图像； 将所述毛体特征图像输入构建的联合扩散-对抗训练模型进行训练，以获取第一毛体特征图像； 根据所述第一毛体特征图像对所述联合扩散-对抗训练模型进行优化； 根据优化后的所述联合扩散-对抗训练模型获取目标毛体图像； 所述将所述毛体特征图像输入构建的联合扩散-对抗训练模型进行训练，以获取第一毛体图像，具体包括： 所述联合扩散-对抗训练模型根据确定性DDIM采样与时间反向传播的联合扩散-对抗训练机制和所述毛体特征图像进行训练，以生成所述第一毛体图像； 所述确定性DDIM采样与时间反向传播的联合扩散-对抗训练机制，具体为： 确定性生成：使用DDIM采样将所述毛体特征图像依据模型参数和条件进行计算确定性迭代的函数，具体计算公式为： ； 其中表示采样过程，且是确定性的，并且其计算所述毛体特征图像包含所有中间时间步{，，...，}；表示从标准高斯分布采样得到的初始噪声，z的取值范围为；c表示模型条件；θ表示模型参数； 对抗损失：采用对抗损失判别器计算所述毛体特征图像的风格相关损失，其公式如下： ； 其中，为真实图像样本；：为真实样本标签；表示生成器；表示数学期望； 梯度回传：将所述风格相关损失对模型参数θ的梯度进行回传，以更新θ；梯度的计算公式为： ； 其中，表示判别器输出对所述毛体特征图像的梯度；是所述毛体特征图像对模型参数的梯度；所述毛体特征图像是DDIM采样链的最终输出，根据链式法则，需要沿时间步累积： ； 其中，每个项由DDIM采样公式决定，T表示扩散过程的总时间步数；DDIM的更新步骤通常为： ； 其中，为扩散过程在时间步的图像特征表示；为U-Net噪声预测网络；表示扩散过程中噪声调度参数的累积的积； 则依赖于U-Net噪声预测网络对其参数θ的梯度进行调整； 基于确定性DDIM采样，模型参数θ的最终梯度表示为： ； 其中，表示特征级反馈；为生成器参数信息； 所述根据所述第一毛体特征图像对所述联合扩散-对抗训练模型进行优化，具体包括： 根据结构化码本嵌入机制对所述联合扩散-对抗训练模型生成的所述第一毛体特征图像的字符特征、风格特征和笔画特征进行优化； 根据所述第一毛体特征图像中的笔画特征采用区域感知注意力机制，动态调整注意力权重，以优化所述笔画特征的关键区域； 根据所述第一毛体特征图像结合构建的复合损失函数对所述联合扩散-对抗训练模型的多个生成维度进行优化。

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湖南师范大学，其通讯地址为：410006 湖南省长沙市岳麓区麓山路36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。