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！

龙图腾网获悉合肥工业大学申请的专利一种基于扩散模型和标签重构的隐私保护深度学习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：CN118506155B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202410682052.5，技术领域涉及：G06V10/82；该发明授权一种基于扩散模型和标签重构的隐私保护深度学习方法是由姚远志;陈雁翔;齐美彬设计研发完成，并于2024-05-29向国家知识产权局提交的专利申请。

本一种基于扩散模型和标签重构的隐私保护深度学习方法在说明书摘要公布了：本发明公开了一种基于扩散模型和标签重构的隐私保护深度学习方法，构造由变分自编码器、扩散模型和分类器组成的隐私保护深度学习模型；使用原始图像和目标图像训练变分自编码器，并由变分自编码器的编码单元将原始图像变换为原始潜层信号；使用原始潜层信号训练扩散模型，由扩散模型将原始潜层信号变换为重构潜层信号，并基于重构潜层信号和原始图像的类别标签训练分类器；使用训练后的分类器对重构潜层信号执行数据分类，并使用变分自编码器的解码单元将重构潜层信号变换为重构图像。上述方法能够解决深度神经网络训练过程中的图像数据隐私泄露问题，从而在分类准确度和数据隐私保护性能之间取得较好的平衡。

本发明授权一种基于扩散模型和标签重构的隐私保护深度学习方法在权利要求书中公布了：1.一种基于扩散模型和标签重构的隐私保护深度学习方法，其特征在于，所述方法包括： 步骤1，构造由变分自编码器、扩散模型和分类器组成的隐私保护深度学习模型； 其中，所构造的隐私保护深度学习模型的输入图像是尺寸为32×32的彩色图像，具体包括： 分类器由以下单元组成，分别为：输入通道数为in_channels、输出通道数为out_channels、卷积核尺寸为kernel_size、卷积核步长为stride、填充数目为padding的二维卷积运算单元Convin_channels,out_channels,kernel_size,stride，padding；最大值池化运算单元MaxPool2d；输入通道数为in_channels、输出通道数为out_channels的全连接层Linearin_channels,out_channels； 变分自编码器，由变分自编码器的编码单元Encoder，以及变分自编码器的解码单元Decoder组成； 扩散模型，包括基于注意力机制的下采样单元AttnDownBlock2D；基于注意力机制的中间单元AttnMidBlock2D；基于注意力机制的上采样单元AttnUpBlock2D；下采样单元DownBlock2D；上采样单元UpBlock2D；以及时间步长嵌入单元Timeembedding； 步骤2，使用原始图像和目标图像训练变分自编码器，并由变分自编码器的编码单元将原始图像变换为原始潜层信号； 所述步骤2的具体过程为： 1原始图像集合表示为x，对原始图像集合x中的所有图像执行分块和随机块置乱运算，得到目标图像集合 2定义变分自编码器的损失函数为： 其中，小写的x表示原始图像集合x中的原始图像；表示目标图像集合中的目标图像；E是变分自编码器的编码单元；D是变分自编码器的解码单元；表示基于原始图像统计分布的期望运算；表示原始图像依次经过编码单元和解码单元生成的图像与目标图像差值的l2范数的平方； 3训练变分自编码器，即最小化变分自编码器的损失函数得到训练后的编码单元E*和解码单元D*，表示为： 其中，表示通过训练变分自编码器以得到最优的编码单元E*和解码单元D*运算； 4使用训练后的编码单元E*将原始图像x变换为原始潜层信号z＝E*x； 步骤3，使用原始潜层信号训练扩散模型，由扩散模型将原始潜层信号变换为重构潜层信号，并基于重构潜层信号和原始图像的类别标签训练分类器； 步骤4，使用训练后的分类器对重构潜层信号执行数据分类，并使用变分自编码器的解码单元将重构潜层信号变换为重构图像。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。