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！

龙图腾网获悉大连理工大学申请的专利模态属性-结构解耦的红外和可见图像融合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：CN121810509B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610289608.3，技术领域涉及：G06T5/50；该发明授权模态属性-结构解耦的红外和可见图像融合方法是由赵文达;崔恒帅设计研发完成，并于2026-03-11向国家知识产权局提交的专利申请。

本模态属性-结构解耦的红外和可见图像融合方法在说明书摘要公布了：本发明属于图像信息处理技术领域，涉及一种模态属性‑结构解耦的红外和可见图像融合方法，基于预训练的潜空间扩散模型构建，整体网络框架包括变分自编码器的编码器、U‑Net去噪网络和变分自编码器的解码器。本发明在预训练的潜空间扩散模型中引入结构LoRA参数与属性LoRA参数，将模态结构信息与模态属性信息分别建模为引入LoRA前后模型预测噪声的差分变化量。通过对差分变化量施加对比约束，在扩散噪声空间中实现结构信息与属性信息的有效解耦，从而避免在融合过程中不同模态的重要互补特征丢失。在推理阶段，不同模态之间的内容信息能够有效地执行跨模态特征融合，最后生成高质量的融合图像。

本发明授权模态属性-结构解耦的红外和可见图像融合方法在权利要求书中公布了：1.一种模态属性-结构解耦的红外和可见图像融合方法，其特征在于，该红外和可见光图像融合方法基于预训练的潜空间扩散模型构建，整体网络框架包括变分自编码器的编码器、U-Net去噪网络和变分自编码器的解码器； 所述的变分自编码器的编码器的具体实现过程如下： 红外图像和可见光图像分别输入变分自编码器的编码器，得到对应的潜在表示： 其中，表示模态在潜空间中的低维特征表示，表示红外模态或可见光模态；随后，在前向扩散过程中，对执行t个时间步的逐步加噪操作，得到对应的加噪潜在表示，计算过程如下： 其中，表示噪声调度系数的累积乘积，用于控制在第个时间步中潜在表示与高斯噪声之间的比例关系，表示第个时间步对应的噪声调度系数，表示服从标准正态分布的高斯噪声； 所述的U-Net去噪网络的具体实现过程如下： 将加噪潜在表示输入U-Net去噪网络，输出噪声预测结果；其中，为U-Net去噪网络的基础参数； 在U-Net去噪网络中引入两类LoRA：其中，编码器侧引入可学习的结构LoRA参数，用于建模模态的结构信息；解码器侧引入属性LoRA参数，用于建模模态的属性信息；在计算结构噪声增量时，冻结解码器侧的属性LoRA参数，仅激活编码器侧的结构LoRA参数，并对加噪潜在表示进行噪声预测，得到对应的噪声预测结果；将该噪声预测结果与噪声预测结果作差，得到模态对应的结构噪声增量： 其中，表示在冻结基模型参数条件下，由结构LoRA参数学习到的结构信息，用于描述模态的结构信息相对于预训练的潜空间扩散模型的变化量；在计算属性噪声增量时，冻结编码器侧的结构LoRA参数，仅激活解码器侧的属性LoRA参数，以相同方式获得属性噪声预测结果，并进一步计算模态对应的属性噪声增量： 其中，表示在冻结预训练的潜空间扩散模型参数条件下，由属性LoRA参数学习到的属性信息，用于描述模态的属性信息相对于预训练的潜空间扩散模型的变化量； 然后，通过最小化红外模态与可见光模态的结构噪声增量之间的余弦距离，实现跨模态结构信息的一致性对齐，跨模态对齐损失表示如下： 其中，表示余弦相似度函数；同时，通过最小化同一模态下结构噪声增量与属性噪声增量之间的余弦相似度，实现红外模态和可见光模态中的结构信息与属性信息解耦，同模态解耦损失表示如下： 噪声增量的对比约束损失表示如下： 为保证所提出网络具备稳定的图像重构能力，引入图像重构损失对U-Net去噪网络进行约束；在反向扩散过程中，U-Net去噪网络基于各时间步的加噪潜在表示逐步预测噪声分量，并结合预设的噪声调度系数对潜在表示进行迭代去噪更新，从而得到最终的潜在表示。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。