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！

龙图腾网恭喜宜宾学院申请的专利基于copula的多维去噪概率扩散模型图像序列生成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：CN118229534B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202311143765.6，技术领域涉及：G06F17/40；该发明授权基于copula的多维去噪概率扩散模型图像序列生成方法是由李朝荣设计研发完成，并于2023-09-05向国家知识产权局提交的专利申请。

本基于copula的多维去噪概率扩散模型图像序列生成方法在说明书摘要公布了：序列的相邻图像帧之间、而多通道图像的通道之间都存在很强的相关性。本发明方法针对去噪概率扩散模型DenoisingDiffusionProbabilisticModel，DDPM的不足，提出基于copula的多维的去噪扩散概率模型，称为CopulaMultivariateDDPM，CM‑DDPM。提出的模型利用copula替换DDPM中单变量的高斯概率分布，实现多维去噪扩散概率模型，并解决了传统基于单变量DDPM在刻画数据源之间相关性方面的不足。本发明适用于多种应用场景，包括视频生成、动画制作、自动驾驶、人体行为识别、医学图像处理等图像生成领域。

本发明授权基于copula的多维去噪概率扩散模型图像序列生成方法在权利要求书中公布了：1.基于copula的多维去噪概率扩散模型图像序列生成方法，其特征在于它包括以下步骤：步骤1，给定目标图像序列是xt＝{x0t，x1t，xkt}，表示有k+1个相关的图像，这个序列也是预测的目标图像序列，正向扩散过程如下：步骤1.1将xt＝{x0t,x1t,xkt}输入到DDPM的公式1，得到k+1个独立的序列正向过程的噪声图像xit及其概率密度函数qi，其中0≤i≤k 其中，t步加噪图像为是受扩散长度t控制的数；和分别表示t步加噪后的均值和方差；步骤1.2将qi和xit分别看成copula的边缘分布及其边缘分布对应的观察数据，然后得到参数ψ＝agrqi和边缘概率累积分布Qi＝CDFixit；ψ；步骤1.3根据qi产生的序列，采用最大似然算法得到概率密度函数c的参数Φ，采用高斯copula连接函数c，用下式计算正向图像序列的多维分布函数h：h＝cQ1，…,Qk；Φ·Πkqixit；ψ步骤1.4再用最大似然法计算h得到正向扩散模型的多维概率分布模型h，Φ和ψ是模型的参数；步骤2逆向还原过程如下：步骤2.1用DDPM方法的公式2分别得到k+1个逆向还原的在t步的图像的概率分布pixit-1|xit； 其中，和是在t步推导t-1步时的均值与方差,分别表示为和扩散模型在不断的正向加噪和逆向还原的迭代过程中，让深度神经网络学习到生成数据的能力；步骤2.2将pixit-1|xit和xit-1看成边copula的缘分布及其观察数据然后用最大似然法计算这k+1个边缘分布的累积分布函数；步骤2.3采用高斯copula连接函数c，用下式计算逆向复原图像序列的多维分布函数hθ： 步骤2.4再用最大似然法计算hθ得到正向扩散模型的多维概率分布模型hθ，Φ和是模型参数；步骤3CM-DDPM模型的深度网络采用UNet，训练的损失函数由如下表达式来表示：loss＝λ1×MSE||Zθxt,cd-Z||2+λ2KLDhφ,h其中，Zθxt，cd是UNet网络，xt＝{x0t，x1t，xkt}是图像序列，cd是条件变量，可以是图像、文本、声音数据；Z是添加到图像序列的噪声；KLDhφ，h是步骤1.4和步骤2.4分别计算的高斯copula模型h和之间的Kullback-Leibler距离；λ1和λ2分别是两个控制损失函数输出loss的权重；步骤4训练好的UNet进行推理，将训练好的网络迭代采样T＝1000次得到网络最终预测输出，迭代公式如下：xt-1＝Zθxt,cd上面公式，在t时刻的图像xt和条件cd输入网络，反向生成t-1时刻的图像xt-1。

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宜宾学院，其通讯地址为：644000 四川省宜宾市酒圣路8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”。