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！

龙图腾网获悉四川大学申请的专利基于增强的可分离卷积网络的图像去压缩效应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：CN115249274B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202110468504.6，技术领域涉及：G06T9/00；该发明授权基于增强的可分离卷积网络的图像去压缩效应方法是由何小海;陈正鑫;任超;陈洪刚;张廷蓉;熊淑华;吴小强设计研发完成，并于2021-04-28向国家知识产权局提交的专利申请。

本基于增强的可分离卷积网络的图像去压缩效应方法在说明书摘要公布了：本发明公开了一种基于增强的可分离卷积网络的图像去压缩效应方法。主要包括以下步骤：以增强的可分离卷积为主要的构建单元，搭建用于去除图像压缩效应的卷积神经网络；利用前一步骤搭建的卷积神经网络，分别训练不同质量因子下的图像去压缩效应模型；将压缩图像输入训练好的图像去压缩效应模型，输出去压缩效应后的图像。本发明所述的方法具有较少的模型参数量和计算量，能够充分地挖掘和融合图像的多尺度信息，并使多尺度信息更加有效地从浅层网络流向深层网络，以进行精确的像素值预测。因此，本发明可以获得良好的主客观效果，是一种高效的图像去压缩效应方法。

本发明授权基于增强的可分离卷积网络的图像去压缩效应方法在权利要求书中公布了：1.基于增强的可分离卷积网络的图像去压缩效应方法，其特征在于包括以下步骤： 步骤一：以增强的可分离卷积为主要的构建单元，搭建用于去除图像压缩效应的卷积神经网络模型，该网络模型主要包括低层次特征提取、高层次特征提取以及图像重建三部分； 步骤二：利用步骤一的卷积神经网络模型，分别训练不同质量因子下的图像去压缩效应模型； 步骤三：将压缩图像输入训练好的图像去压缩效应模型，输出去压缩效应后的图像； 对于步骤一中的网络模型，低层次特征提取和图像重建都由一个卷积核大小为的卷积层conv来实现，而高层次特征提取由加权共享源残差组来实现； 加权共享源残差组由个带有加权共享源跳连接的增强的加权残差模块组构成，用公式表示为: 其中，、、分别表示第个增强的加权残差模块组的输入、卷积层conv提取的低层次特征、加权共享源残差组提取的高层次特征，表示第个增强的加权残差模块组的操作，、分别表示第个增强的加权残差模块组及其共享源跳连接的加权系数，每个增强的加权残差模块组包含个增强的加权残差模块，每一个增强的加权残差模块的结构，用公式表示为： 其中，、分别表示增强的加权残差模块的输入和输出，、分别表示增强的加权残差模块的残差分支和跳连接分支的加权系数，表示增强的可分离卷积的操作； 增强的可分离卷积的结构，包括分组多尺度对偶深度卷积和宽激活对偶逐点卷积两部分；分组多尺度对偶深度卷积首先将通道数为的输入张量沿通道维度划分为组，这一过程用公式表示为： 其中，表示分组操作，表示第组特征张量；分组的特征张量被送到相应的对偶深度卷积以提取多尺度特征；对多尺度特征沿着通道维度进行级联，就得到了分组多尺度对偶深度卷积的输出，这一过程用公式表示为： 其中，表示通道级联操作，表示第个对偶深度卷积；每个对偶深度卷积包含两个串联的深度卷积，它们的卷积核大小分别为和，其中； 宽激活对偶逐点卷积包含两个逐点卷积和一个激活函数ReLU，其操作过程用公式表示为： 其中，、分别表示宽激活对偶逐点卷积的输入和输出，表示激活函数ReLU，表示输出通道数为输入通道数倍的逐点卷积，表示输出通道数为输入通道数倍的逐点卷积。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一段路南一段24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”。

以上内容由龙图腾AI智能生成。