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！

龙图腾网恭喜南京大学申请的专利一种基于主动采样对抗学习的真实世界图像超分辨率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：CN114677276B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202210276575.0，技术领域涉及：G06T3/4053；该发明授权一种基于主动采样对抗学习的真实世界图像超分辨率方法是由杨育彬;龙坤;江彪设计研发完成，并于2022-03-21向国家知识产权局提交的专利申请。

本一种基于主动采样对抗学习的真实世界图像超分辨率方法在说明书摘要公布了：本发明提供了一种基于主动采样对抗学习的真实世界图像超分辨率方法，包括：使用已有高分辨图像与对应的经过双三次插值bicubic退化的低分辨率图像以有监督方式训练超分辨率模型；将真实世界图像首先经过无监督去噪网络进行首次去噪处理；将经过一轮去噪的真实世界图像及已有且配对的高分辨率图像‑低分辨率图像输入基于生成对抗网络的网络框架中，利用主动采样策略采样出图像块进行整个模型的训练。最终的模型能够直接对真实世界的低分辨率图像进行超分辨率重建，得到高分辨率输出图像。相较于现有技术，本发明提出的针对真实世界图像的超分辨方法减少了训练成本，并且可以实现更好的图像重建效果。

本发明授权一种基于主动采样对抗学习的真实世界图像超分辨率方法在权利要求书中公布了：1.一种基于主动采样对抗学习的真实世界图像超分辨率方法，其特征在于，包括以下步骤：步骤1，选择数据集及超分辨率骨干网络backbone；步骤2，使用高分辨率图像数据集DIV2K及其经过双三次插值bicubic退化的低分辨图像数据集DIV2Kbicubic以有监督形式训练超分辨率网络；步骤3，利用无监督去噪网络将步骤1中所述数据集中的真实世界低分辨率图像经过第一次去噪预处理；步骤4，利用边缘检测算法对每张图像进行边缘检测，得到所有图像的边缘信息图；步骤5，对每一张边缘信息图进行400个随机图像块采样；其中，低分辨率图像为32×32，高分辨率图像为128×128，统计每个图像块边缘像素点并排序后得到边缘块池和平滑块池，每个池的大小为50；步骤6，将经过步骤3后的真实世界低分辨率图像和DIV2Kbicubic图像输入基于生成对抗网络GAN的网络框架中，利用全局随机采样及对步骤5中边缘块池和平滑块池的随机采样结合采样数据进行训练；步骤7，加入步骤2中经过有监督形式训练的超分辨率网络，固定步骤6中已训练好的相关模块参数，加入DIV2K高分辨率图像调整超分辨率网络，得到训练好的超分辨率网络模型；步骤8，将训练好的超分辨率网络模型对真实世界低分辨率图像进行测试，重建得到最终的高分辨率图像；其中，步骤3包括：使用基于自监督策略的无监督去噪方法Neighbor2Neighbor构成去噪网络；将DIV2Kmild低分辨率图像数据集作为训练集，并进行随机翻转和随机90°旋转的数据增强操作，设置折中参数γ＝1，训练去噪网络至拟合；将训练好的去噪网络处理DIV2Kmild低分辨率图像，得到经过第一次去噪处理后的DIV2Kmild低分辨率图像；步骤4包括：使用Canny算子作为边缘检测工具，其中确定边缘的梯度双阈值分别设为60和180；将DIV2Kmild中的每一张低分辨率图像进行边缘检测，得到对应的边缘信息图；将每一张DIV2K高分辨率图像进行边缘检测，得到对应的边缘信息图；步骤5包括：将每一张边缘信息图进行数目为400的随机采样，对于低分辨率图像每个图像块大小为32×32，高分辨率图像每个图像块大小为128×128；将400个图像块进行非极大值抑制算法处理减少重复，交并比IOU阈值设为0.2；将经过处理后的所有图像块统计边缘像素点数目，从大到小排序，选取前50个图像块和后50个图像块分别作为该图像的边缘池和平滑池，供后续主动采样过程进行挑选；步骤6包括：将经过第一次去噪后的DIV2Kmild和DIV2Kbicubic两个域的低分辨率图像输入基于GAN的网络框架中，进行对抗训练学习；该网络框架基于两层循环生成对抗网络结构的CinCGAN；该训练过程包括以下步骤：步骤6-1，将DIV2Kmild和DIV2Kbicubic两个域的每批次图像进行主动采样，DIV2Kmild中的图像从边缘池和平滑池中分别随机采样出一个32×32大小的图像块，再从整个图像全局随机采样出一个32×32大小的图像块；DIV2Kbicubic图像则根据对应的DIV2K高分辨图像的边缘池和平滑池并根据×4倍的比例关系分别随机采样出一个32×32大小的图像块，再从整个图像全局随机采样出一个32×32大小的图像块，即每个低分辨率图像都采样出3个图像块，形成一个图像块组；步骤6-2，DIV2Kmild的每张图像的图像块组[xr,xs,xe]经过生成器Gab处理生成新的图像块组，新的图像块组和DIV2Kbicubic采样出的图像块组[yr,ys,ye]分别输入鉴别器D1f进行域的鉴别，Gab和D1f进行对抗训练，前向对抗损失如下： 其中，对应的每个图像块对抗损失由计算得到，N是训练样本的数目，i为当前图像样本索引号，是从第i张图像全局随机采样的图像块，和分别代表从第i张图像对应的平滑池和边缘池中随机采样出的图像块，α1和α2为权重参数，||||2为均方误差MSE损失，yr是从整个图像全局随机采样的图像块，ys和ye分别代表从该图像对应的平滑池和边缘池中随机采样出的图像块；训练Gab使其生成的图像难以被D1f鉴别，同时D1f被训练用来进行鉴别其属于DIV2Kmild域或DIV2Kbicubic域；步骤6-3，使用循环一致性损失使Gab生成的图像能够在改变图像风格的同时保留图像内容，即使用生成器Gba期望其将生成后的图像再恢复回去，前向循环一致性损失为： 其中，对应的每个图像块循环一致性损失由计算得到；步骤6-4，利用身份映射损失Identitymappingloss使生成的图像能保持住原有的颜色信息，防止颜色抖动，身份映射损失如下式： 其中，对应的每个图像块身份映射损失由计算得到；该损失作用于DIV2Kbicubic域图像，i为当前图像样本索引号，是从第i张图像全局随机采样的图像块，和分别代表从第i张图像对应的平滑池和边缘池中随机采样出的图像块；||||1为L1损失；步骤6-5，为加强步骤6-3的循环一致性，引入鉴别器D1b与生成器Gba进行对抗训练学习，即存在对应的对抗损失循环一致性损失和身份映射损失 其中，对应的每个图像块对抗损失由计算得到； 其中，对应的每个图像块循环一致性损失由计算得到，在此y为DIV2Kbicubic域中的图像； 其中，对应的每个图像块身份映射损失由计算得到；步骤6-6，为了加强生成图像的光滑性，加入总的变异损失 其中，对应的每个图像块总的变异损失由计算得到，和分别代表垂直方向和水平方向的梯度算子；基于此第一层循环生成对抗网络CycleGAN的优化目标如下，作为前向损失，作为后向损失，为总的损失函数： 以此训练好生成器Gab，完成真实世界低分辨率图像的第二次去噪及纹理生成，其中，ψ、w1、w2和w3为权重参数；以10-4的学习率进行模型的训练，直至拟合。

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南京大学，其通讯地址为：210046 江苏省南京市栖霞区仙林大道163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”。