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！

龙图腾网获悉山东大学申请的专利基于语义引导的混合学习式图像压缩感知方法及系统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：CN121771413B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202610254829.7，技术领域涉及：H04N19/70；该发明授权基于语义引导的混合学习式图像压缩感知方法及系统是由刘宁;程子桐;吕朝锦;唐运森;刘磊;闫中敏;崔立真设计研发完成，并于2026-03-04向国家知识产权局提交的专利申请。

本基于语义引导的混合学习式图像压缩感知方法及系统在说明书摘要公布了：本发明提出了基于语义引导的混合学习式图像压缩感知方法及系统，属于图像处理与压缩感知技术领域，包括：获取输入图像，将输入图像划分为若干个互不重叠的图像块，将图像块输入至语义编码网络，语义编码网络用于提取图像块的高维语义嵌入特征并生成对应的语义掩码向量；基于语义掩码向量构建语义引导的自适应采样矩阵，实现采样矩阵随图像块语义特征动态变化；在获得自适应采样矩阵后，对图像块执行压缩测量操作，分别获得基础采样测量值及语义自适应采样测量值，将两部分测量结果在测量维度上进行拼接，得到最终压缩测量向量；基于压缩测量向量依次进行语义感知预重建、混合Transformer‑CNN块级重建以及像素级精细重建，输出重建结果。

本发明授权基于语义引导的混合学习式图像压缩感知方法及系统在权利要求书中公布了：1.基于语义引导的混合学习式图像压缩感知方法，其特征是，包括： 获取输入图像，将输入图像划分为若干个互不重叠的图像块，将图像块输入至语义编码网络，语义编码网络提取图像块的高维语义嵌入特征并生成对应的语义掩码向量； 基于语义掩码向量构建语义引导的自适应采样矩阵，实现采样矩阵随图像块语义特征动态变化； 构建语义引导的自适应采样矩阵时，包括： 在确定目标测量维度后，将采样矩阵划分为基础采样矩阵与语义自适应采样矩阵两部分； 其中，基础采样矩阵为一组可学习的线性映射参数，该矩阵在训练过程中通过反向传播进行更新； 引入两个可学习矩阵参数，并利用生成的语义掩码向量构造对角加权矩阵，对采样矩阵进行调制； 在获得自适应采样矩阵后，对图像块执行压缩测量操作，分别获得基础采样测量值及语义自适应采样测量值，将两部分测量结果在测量维度上进行拼接，得到最终压缩测量向量； 基于压缩测量向量依次进行语义感知预重建、混合Transformer-CNN块级重建以及像素级精细重建，输出重建结果； 语义感知预重建时，包括： 构建可学习的线性解码映射矩阵，该解码映射矩阵由基础解码矩阵与语义自适应解码矩阵拼接而成，匹配采样阶段的混合测量结构； 将基础解码矩阵与自适应解码矩阵进行拼接，得到完整解码映射矩阵，并与压缩测量向量相乘，获得初始重建结果； 其中，构建语义自适应解码矩阵时，包括： 将压缩测量向量输入至多层感知机网络，预测一组图像相关性加权系数，各系数表达当前图像块在不同解码基上的响应强度； 基于图像相关性加权系数，通过对可学习基矩阵进行线性加权组合，并结合由采样阶段生成并归一化得到的软二值语义掩码向量，构建语义自适应解码矩阵； 混合Transformer-CNN块级重建时，包括： 编码器首先将图像块划分为若干子块，并映射为序列特征表示，通过位置编码保持空间结构信息，再经多头自注意力机制与前馈网络捕获远距离像素之间的全局依赖关系； 随后，引入可学习软阈值函数进行稀疏约束与噪声抑制； 通过Transformer解码器将稀疏语义特征映射回像素空间； 再引入后置卷积模块消除重建伪影，经过多次迭代后，最终输出块级重建结果。

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山东大学，其通讯地址为：250000 山东省济南市高新区舜华路1500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。