申请/专利权人：宜宾学院

申请日：2023-09-05

公开（公告）日：2024-06-21

公开（公告）号：CN118229534A

主分类号：G06T5/00

分类号：G06T5/00;G06N3/04;G06N3/08;G06N5/04

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：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。

主权项：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。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＝argqi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；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。

全文数据：

权利要求：

百度查询： 宜宾学院 基于copula的多维去噪概率扩散模型图像序列生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD