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！

龙图腾网恭喜杭州电子科技大学申请的专利基于条件生成对抗网络的梯级表面高光去除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：CN114841877B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202210449142.0，技术领域涉及：G06T5/94；该发明授权基于条件生成对抗网络的梯级表面高光去除方法是由胡海洋;张学琪;胡宇航;李忠金设计研发完成，并于2022-04-26向国家知识产权局提交的专利申请。

本基于条件生成对抗网络的梯级表面高光去除方法在说明书摘要公布了：本发明公开基于条件生成对抗网络的梯级表面高光去除方法。构建了一个多尺度条件生成对抗网络MSDGC‑GAN，旨在通过端到端的方式获取高光去除图像。网络主体结构包括生成器与判别器，其中生成器基本架构采用空间上下文密集块作为基本模块的U‑net结构，利用其编码‑解码结构特点提取图像深层结构信息，充分提取特征像素之间的空间上下文背景信息特征。编码‑解码间连接采用的是SOS增强策略结构，以实现对图像进行细化增强处理，实现了梯度的传导改善了网络训练时梯度不稳定的问题。

本发明授权基于条件生成对抗网络的梯级表面高光去除方法在权利要求书中公布了：1.一种基于条件生成对抗网络的梯级图像高光去除方法，其特征在于该方法包括以下步骤： 步骤1、构建训练集 通过获取待去除高光梯级图像IH1和对应无高光梯级图像IH2来构建一对一的梯级表面高光对照数据集，并对图像进行相同切割选出最优图像对；在不通过其他任何相关信息辅助生成一张高光抑制的对应清晰图像IS； 步骤2、搭建基于条件生成对抗网络的梯级图像高光去除模型，并利用数据切割处理后的训练数据集进行训练； 所述基于条件生成对抗网络的梯级图像高光去除模型包括生成器、判别器； 所述生成器采用U-net网络基本架构，所述U-net网络采用编码-解码结构； 编码器下采样过程采用级联的第一至第五空间上下文密集层Encode-SCFDB；第一至第五空间上下文密集层Encode-SCFDB均用于提取特征像素之间的空间上下文背景信息特征，基于多路并联片间卷积来提取和传递图像像素背景特征信息，通过深层次的密集网络获取图像的语义特征信息；第一至第五空间上下文密集层Encode-SCFDB均包括级联的多个空间上下文密集块、第一过渡层；每个空间上下文密集块的输入为原特征图以及位于同一空间上下文密集层内在前级联的空间上下文密集块的输出特征图； 所述空间上下文密集块获取特征图中各行各列像素间的空间上下文背景信息，其具体是首先利用输入特征图应用一次1X1卷积瓶颈层进行降维、InstanceNorm实例归一化和LeakyReLu激活后生成新的特征图Q，随后在SCF层内将特征图Q分成上下两个支路，分别采取左、右、上、下顺序和上、下、左、右顺序的不同方向的空间片间卷积策略；之后对每一路的切片信息进行归一化和激活后将两路支路进行加权融合，再经过一次3X3卷积、InstanceNorm实例归一化和LeakyReLu激活输出特征图； 解码层包括依次级联的第六至第十空间上下文密集层Decode-SCFDB，在每个尺度上一一对应编码器的级联特征输出图，将每次初度级联增强后的特征图进行输出，经过一次1x1卷积后将特征图像送入对应尺度判别器；其中第十空间上下文密集层的结构与第一空间上下文密集层相同，第九空间上下文密集层的结构与第二空间上下文密集层相同，第八空间上下文密集层的结构与第三空间上下文密集层相同，第七空间上下文密集层的结构与第四空间上下文密集层相同，第六空间上下文密集层的结构与第五空间上下文密集层相同； 第一至第四空间上下文密集层Encode-SCFDB分别与第十至第七空间上下文密集块Decode-SCFDB间连接采用的是SOS增强策略结构，具体是： 式中，ψkx表示解码器输出特征图，表示解码器中当前空间上下文密集层处理后结果，Up表示上采样； 模型训练过程中，总损失函数由对抗性损失函数、漫反射分量损失函数和特征匹配损失三个部分所组成； 对抗性损失函数如下： 式中G表示生成器，Dk表示每个判别器的输出结果，minG表示生成器和判别器的损失差距取最小，表示条件损失函数： 式中Ex,y表示从图像x推导到图像y的最小消耗代价，Ex,z表示从图像x推导到图像z的最小消耗代价； 漫反射分量损失函数如下： 式中zk和yk分别为第k尺度图像的预测和真实的漫反射分量，ck表示第k尺度图像通道数，wk和hk为第k尺度图像尺寸大小； 特征匹配损失定义如下： 式中，Ni代表判别器第i层的元素数，T为总层数，代表判别器Dk的i层特征，xk表示第k尺度对应的真实图片； 故总损失函数如下： 其中λ1，λ2分别为特征匹配损失函数和漫反射损失的权值； 步骤3、利用训练好的基于条件生成对抗网络的梯级图像高光去除模型，实现梯级表面的高光处理。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。