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！

龙图腾网获悉电子科技大学申请的专利一种基于多阶段双扩散网络的无偏缺失模态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：CN121117499B 。

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：202511328168.X，技术领域涉及：G06F18/20；该发明授权一种基于多阶段双扩散网络的无偏缺失模态学习方法是由戴瑞婷;罗光春;何涛;段贵多;简奥强;马瑜江;周若凡;陈奕霖设计研发完成，并于2025-09-17向国家知识产权局提交的专利申请。

本一种基于多阶段双扩散网络的无偏缺失模态学习方法在说明书摘要公布了：本发明提出一种基于多阶段双扩散网络的无偏缺失模态学习方法，属于计算机视觉、自然语言处理及多模态信息融合领域。所述方法包括如下步骤：多模态特征提取模块将文本模态数据、图像模态数据和音频模态数据映射到统一的潜在表示空间中；三个模态的潜在空间表征作为缺失模态原始特征与可用模态原始特征；基于缺失模态原始特征与可用模态原始特征，通过前向扩散与反向扩散训练多阶段双扩散模块，得到训练好的多阶段双扩散模块基于训练好的多阶段双扩散模块，通过可用模态数据，经过全局结构生成，模态转换，局部细节优化推理生成缺失模态数据。本发明解决了现有多模态学习中模态生成偏差问题，增强了缺失场景下多模态学习效果方面的有效性。

本发明授权一种基于多阶段双扩散网络的无偏缺失模态学习方法在权利要求书中公布了：1.一种基于多阶段双扩散网络的无偏缺失模态学习方法，其特征在于，所述方法包括如下步骤： 步骤A：训练阶段，多模态特征提取模块将文本模态数据、图像模态数据和音频模态数据映射到统一的潜在表示空间中；三个模态的潜在空间表征作为缺失模态原始特征与可用模态原始特征； 步骤B：基于缺失模态原始特征与可用模态原始特征，通过前向扩散与反向扩散训练多阶段双扩散模块，得到训练好的多阶段双扩散模块； 前向扩散基于保方差扩散模型，通过注入噪声、模态对齐、高斯噪声退化三个阶段，在缺失模态数据的扩散和可用模态数据的扩散过程中通过模态转换交叉连接，将缺失模态原始特征与可用模态原始特征破坏为含噪缺失模态数据和含噪可用模态数据； 反向扩散时变分数模型构建反向时间的标准随机微分方程，通过全局结构生成、模态转换、局部细节优化三个阶段从含噪缺失模态数据和含噪可用模态数据中生成缺失模态恢复特征和可用模态恢复特征； 前向扩散划分为]、,]、,]三个阶段，每个阶段执行如下步骤： 步骤B11：第一阶段为注入噪声阶段，，基于VP-SDE的离散化形式向缺失模态原始特征与可用模态原始特征注入噪声，得到含噪缺失模态数据和含噪可用模态数据； 步骤B12：第二阶段为模态对齐阶段，，含噪缺失模态数据和含噪可用模态数据经过跨时间步转换直至，并通过模型模态对齐系数进行模态对齐； 步骤B13：第三阶段为高斯噪声退化阶段，，基于VP-SDE的离散化形式注入噪声，最终将含噪可用模态数据和含噪缺失模态数据破坏为高斯噪声； 反向扩散划分为、、三个阶段，各阶段执行如下步骤： 步骤B21：第一阶段为全局结构生成阶段，，从含噪缺失模态数据与含噪可用模态数据恢复缺失模态数据与可用模态数据； 步骤B22：第二阶段为模态转换阶段，，通过模态之间的交叉转换进行缺失模态数据与可用模态数据的对齐； 步骤B23：第三阶段为局部细节优化阶段，，从含噪缺失模态数据与含噪可用模态数据恢复缺失模态数据与可用模态数据； 步骤C：推理阶段，基于训练好的多阶段双扩散模块，通过可用模态数据，推理生成缺失模态数据； 步骤C中，推理生成分为全局结构生成、模态转换、局部细节优化三阶段： 步骤C1：对可用模态数据一维卷积后得到可用模态原始特征，可用模态原始特征经过噪声注入及模态对齐，得到含噪可用模态数据，采样高斯噪声作为缺失模态输入； 步骤C2：在全局结构生成阶段，，依据反向时间VP-SDE的离散化形式，反向扩散生成缺失模态数据； 步骤C3：在模态转换阶段，通过到的单向模态转换，得到模态对齐的缺失模态数据； 步骤C4：在局部细节优化阶段，从含噪缺失模态数据生成缺失模态数据； 步骤C5：采用解码器得到解码后的缺失模态数据。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。