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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉之江實驗室;中科計算技術(shù)創(chuàng)新研究院申請的專利基于注意力循環(huán)對抗網(wǎng)絡(luò)的風格遷移系統(tǒng)、方法、裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114493991B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111547284.2，技術(shù)領(lǐng)域涉及：G06T3/04；該發(fā)明授權(quán)基于注意力循環(huán)對抗網(wǎng)絡(luò)的風格遷移系統(tǒng)、方法、裝置是由高林;何月;陳嵐;李融;陳姝宇設(shè)計研發(fā)完成，并于2021-12-16向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于注意力循環(huán)對抗網(wǎng)絡(luò)的風格遷移系統(tǒng)、方法、裝置在說明書摘要公布了：本發(fā)明公開了一種基于注意力循環(huán)對抗網(wǎng)絡(luò)的風格遷移系統(tǒng)、方法、裝置，該方法首先選取兩張不同風格圖像的A,B圖像輸入網(wǎng)絡(luò)；對A圖像隨機嵌套式剪裁多個小塊輸入多尺度塊transformer編碼器學習特征，通過反卷積和上采樣逐層融合低維全局信息，最后融合動態(tài)過濾后的高維全局信息生成遷移結(jié)果；通過循環(huán)對抗的方式，同時訓練A2B和B2A的映射；引入基于塊的判別器和內(nèi)容損失函數(shù)訓練收斂，最終完成A,B的風格互相遷移。本發(fā)明首次提出了基于循環(huán)對抗網(wǎng)絡(luò)的零次學習風格遷移方法，利用嵌套式剪裁小塊挖掘塊內(nèi)部和塊之間的關(guān)系特征，可以生成真實合理的遷移效果。優(yōu)于現(xiàn)有方法，具有通用性強、數(shù)據(jù)依賴性小，風格生成個性化強等優(yōu)點。

本發(fā)明授權(quán)基于注意力循環(huán)對抗網(wǎng)絡(luò)的風格遷移系統(tǒng)、方法、裝置在權(quán)利要求書中公布了：1.一種基于注意力循環(huán)對抗網(wǎng)絡(luò)的風格遷移系統(tǒng)，其特征在于，包括兩組圖片嵌套式隨機裁取模塊和循環(huán)對抗生成模塊；所述循環(huán)對抗生成模塊包括兩組生成器和與其對應(yīng)的判別器；所述生成器包括多尺度塊transformer編碼器模塊和動態(tài)過濾解碼器模塊； 所述圖片嵌套式隨機裁取模塊用于對每張圖片隨機剪裁為嵌套的多張子圖塊； 所述多尺度塊transformer編碼器模塊包括塊級transformer編碼器和跨塊級transformer編碼器，對圖片嵌套式隨機裁取模塊得到的子圖塊進行編碼，得到高維特征； 所述動態(tài)過濾解碼器模塊用于對多尺度塊transformer編碼器模塊得到的高維特征進行反卷積，在反卷積階段動態(tài)過濾淺層的高維特征，自適應(yīng)地學習所需要的特征，以減少原始特征的影響； 所述循環(huán)對抗生成模塊利用對抗損失、循環(huán)一致?lián)p失和重建損失約束雙向映射的訓練，完成圖片的風格互相遷移。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人之江實驗室;中科計算技術(shù)創(chuàng)新研究院，其通訊地址為：310023 浙江省杭州市余杭區(qū)文一西路1818號人工智能小鎮(zhèn)10號樓；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。