買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉長春理工大學申請的專利一種基于循環生成對抗網絡的圖像去霧方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116664415B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310404372.X，技術領域涉及：G06T5/60；該發明授權一種基于循環生成對抗網絡的圖像去霧方法是由胡奇;張英潔設計研發完成，并于2023-04-17向國家知識產權局提交的專利申請。

本一種基于循環生成對抗網絡的圖像去霧方法在說明書摘要公布了：本發明屬于深度學習圖像處理技術領域，尤其為一種基于循環生成對抗網絡的圖像去霧方法，包括以下步驟：S1、構建循環生成對抗網絡模型；S2、輸入有霧與無霧圖片，生成器學習有霧與無霧圖片的圖片特征，通過生成器網絡生成有霧與無霧圖片；S3、判別器對生成器生成的有霧與無霧圖片與原始輸入的有霧與無霧圖片進行判別；S4、將去霧后的圖片進行客觀判別。本發明采用改進的循環生成對抗網絡，可以對有霧圖像進行去霧處理，解決了現有的圖像去霧技術的去霧不完全、顏色失真的問題，模型中加入了循環感知一致性損失函數，在特征提取時有助于恢復圖像的細節和紋理信息，引入空間和通道殘差注意力模塊，提升去霧后圖像的分辨率。

本發明授權一種基于循環生成對抗網絡的圖像去霧方法在權利要求書中公布了：1.一種基于循環生成對抗網絡的圖像去霧方法，其特征在于：包括以下步驟： S1、獲取有霧與無霧圖片的數據集，構建循環生成對抗網絡模型； 有霧與無霧圖片的數據集包括訓練集和測試集，所述訓練集由室內訓練集和室外訓練集組成，測試集使用合成客觀測試集和混合主觀測試集，訓練集與測試集比例為8：2； 所述循環生成對抗網絡模型為一個對抗網絡，在網絡中增加循環感知一致性損失，增強單圖像去霧的CycleGAN架構； S2、輸入有霧與無霧圖片，生成器學習有霧與無霧圖片的圖片特征，通過生成器網絡生成有霧與無霧圖片； 所述生成器包括生成器G和生成器F，在CycleGAN的生成器G和生成器F的網絡中增加注意力機制以增強特征的提取；生成器G與生成器F均使用編碼器-轉換器-解碼器的結構，在轉換器中加入空間和通道注意力機制，設計空間和通道殘差注意力模塊，將提取的特征有針對性地進行處理再輸入到網絡的解碼器中； S3、判別器對生成器生成的有霧與無霧圖片與原始輸入的有霧與無霧圖片進行判別，輸出判別結果； S4、將去霧后的圖片進行客觀判別； 所述生成器G和生成器F構造相同，均由編碼器、轉換器和解碼器組成； 所述編碼器由多個CBL序列和Reflectionpad2d組成，所述Reflectionpad2d函數的作用是進行圖像增強，使用Reflectionpad2d函數進行參數填充，將圖像沿著邊緣上下左右進行對稱增大圖像的分辨率；輸入的圖片首先進入編碼器中，將圖片大小為256*256的彩色圖片輸入到網絡中，輸出維度為3，先進入圖像增強層進行圖像增強，再進行卷積核大小為3*3、BN正則化和激活函數的操作，進行特征提取，然后再進行卷積核大小為3*3、5*5、7*7的卷積操作，增加感受野，提取特征圖； 所述轉換器是在結構鏈式區域使用空間和通道殘差注意力模塊，其中包括：“SABlock”表示空間注意力模塊，“CABlock”表示通道注意力模塊，“Concat”表示特征圖聯合操作；當用C表示輸入特征圖的通道數目，殘差塊中的1，3，4，6個卷積操作的輸入和輸出通道數目均為C，第2，5個卷積操作的輸入和輸出通道數目分別為2*C和C； 所述解碼器使用了多個CTBR序列組成，利用反卷積對圖片進行上采樣操作，加入圖像增強操作，對特征圖進行圖像增強。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人長春理工大學，其通訊地址為：130012 吉林省長春市衛星路7089號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。