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！

龙图腾网获悉江西财经大学申请的专利融合高效扩散采样先验的非平滑OCT去噪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：CN121685317B 。

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：202610184119.1，技术领域涉及：G06T5/70；该发明授权融合高效扩散采样先验的非平滑OCT去噪方法是由李三仟;龚灵琦;盛军燕;方玉明;王玉皞设计研发完成，并于2026-02-09向国家知识产权局提交的专利申请。

本融合高效扩散采样先验的非平滑OCT去噪方法在说明书摘要公布了：本发明提出一种融合高效扩散采样先验的非平滑OCT去噪方法，该方法包括：将退化OCT观测图像表征为Gamma分布；根据Gamma分布的分布特性，构建非线性散斑抑制的数据保真项；采用预训练的无条件分数扩散模型，通过隐式逆向扩散采样构建扩散去噪先验；将非线性散斑抑制的数据保真项与扩散去噪先验结合，以构建非平滑函数；采用Bregman迭代算法对非平滑函数进行优化求解；将最终迭代得到的图像估计值作为非平滑函数的最优解输出，以得到最终的去散斑OCT图像。本发明通过加速采样加速了保真项约束扩散生成的速度，其不仅融合了快速采样先验，同时解决了快速采样带来的非平滑问题。

本发明授权融合高效扩散采样先验的非平滑OCT去噪方法在权利要求书中公布了：1.一种融合高效扩散采样先验的非平滑OCT去噪方法，其特征在于，所述方法包括如下步骤： 步骤1、获取退化OCT观测图像；将退化OCT观测图像表征为Gamma分布；根据Gamma分布的分布特性，构建非线性散斑抑制的数据保真项； 步骤2、采用预训练的无条件分数扩散模型，通过隐式逆向扩散采样构建扩散去噪先验； 步骤3、将非线性散斑抑制的数据保真项与扩散去噪先验结合，以构建非平滑函数； 步骤4、初始化图像估计值和中间变量值，并采用Bregman迭代算法对非平滑函数进行优化求解，通过初始化图像估计值以及退化OCT观测图像，更新中间变量值，以得到更新后的中间变量值； 步骤5、以更新后的中间变量值为约束，求解扩散去噪先验主导的去噪子问题，以得到更新的图像估计值； 步骤6、以迭代的形式重复交替执行步骤4和步骤5，当迭代次数达到预设的最大迭代次数时，相邻两次迭代得到的图像估计值之间的差异小于预设阈值时，将最终迭代得到的图像估计值作为非平滑函数的最优解输出，以得到最终的去散斑OCT图像； 其中，在所述步骤2中，采用预训练的无条件分数扩散模型，通过隐式逆向扩散采样构建扩散去噪先验，具体包括如下步骤： 获取无散斑的清洁OCT图像作为训练样本； 基于训练样本，通过分数匹配方法训练时间条件神经网络，通过估计在不同噪声水平下扰动数据分布的梯度，得到预训练的无条件分数扩散模型； 设定逆向扩散采样的总步数、步长以及每一步对应的噪声调度参数； 从标准正态分布的随机噪声出发，利用所述预训练的无条件分数扩散模型，按照噪声调度参数执行加速的反向扩散过程，逐步生成去噪后的图像； 将加速的反向扩散过程表述为接受噪声图像输入、输出去噪后的图像的去噪函数，作为扩散去噪先验； 其中，从标准正态分布的随机噪声出发，利用所述预训练的无条件分数扩散模型，按照噪声调度参数执行加速的反向扩散过程，对应过程存在的关系式如下： ； 其中，表示扩散逆采样下一个周期的数据样本的状态，表示超参数，表示预训练的无条件分数扩散模型，表示当前预估的噪声，表示扩散过程，表示第步的噪声强度，表示随机噪声项； 其中，在所述步骤4中，初始化图像估计值和中间变量值，并采用Bregman迭代算法对非平滑函数进行优化求解，通过初始化图像估计值以及退化OCT观测图像，更新中间变量值，以得到更新后的中间变量值，具体包括： 从预设的概率分布中进行采样，生成与所述退化OCT观测图像尺寸相同的噪声图像，作为待恢复无散斑的初始估计图像； 为非平滑函数中数据保真项相关联的中间变量分配零初始值，以得到初始化的中间变量值； 将待恢复无散斑的初始估计图像设定为第一次迭代的当前图像估计值，将初始化的中间变量值设定为第一次迭代的当前中间变量值； 根据所述当前图像估计值和退化OCT观测图像，计算非平滑函数中数据保真项的梯度，并对所述当前中间变量值进行更新，以得到更新后的中间变量值。

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江西财经大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街169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。