专利交易市场

本发明公开了一种基于扩散模型和重加权策略的纹理合成方法，涉及计算机视觉中的纹理图像生成领域，本发明结合潜在扩散模型和基于因果推理的样本重加权去相关技术，命名为SRD‑LDM，包括预训练、前向加噪和反向去噪三个阶段。在预训练阶段，利用自编码器对纹理图像进行编码，确保从像素空间到潜在空间的有效转换。在前向加噪阶段，模型通过潜在扩散模型进行纹理的扩散模拟。在反向采样阶段，通过去噪过程恢复图像的潜在表示，随后解码回像素空间，生成最终的纹理图像。本发明在纹理合成领域提高了生成质量和效率，同时展示了深度学习和因果推理技术在图像生成中的实际应用潜力。

本发明提供了一种基于扩散模型的图像生成身份个性化方法，包括：步骤1，构建身份语义解耦训练框架：建立身份增强模型，所述身份增强模型在原始SDXL1.0模型上额外引入了图像交叉注意力模块；步骤2，建立混合注意力融合机制，然后进行混合注意力融合；步骤3，风格生成：在原始SDXL1.0模型的自注意力层中对键、值特征执行混合操作，即一种结合自适应均值归一化与均值对齐的操作，以进一步将合成图像的风格与输入的风格提示对齐。本方案在保持文本语义编辑能力的前提下，突破现有方法在身份一致性保持方面的局限，定制化生成双人图像，而且能够控制生成图像的风格，适用于数字内容创作、虚拟形象生成等需要精准身份控制的场景。

本发明公开了一种基于扩散模型校正鱼眼图像的行人再辨识方法及系统，方法包括：校正步骤，构造一个基于扩散模型的鱼眼行人图像校正网络用于鱼眼行人图像去畸变；模型训练步骤，构造一个双分支深度学习网络，联合使用校正行人图像和鱼眼行人图像训练行人再辨识模型，充分使用行人图像信息提升再辨识精度；再辨识图像获取步骤，使用获取的行人再辨识模型，对查询图像和注册图像进行特征提取，分别选取与查询图像特征距离近的注册图像。本发明能够解决鱼眼镜头下行人图像畸变失真，难以匹配的问题，提高鱼眼图像行人再辨识的准确性和研判观察的视觉舒适性。

本发明涉及一种基于扩散模型的高光谱图像多源域域自适应分类方法。本发明包括以下步骤：基于批归一化层统计迁移的源域模型初始化；构建基于扩散模型的模型生成算法；训练基于扩散模型的多源域域自适应模型；基于信息熵最小化和对比学习算法的目标域模型微调。与现有技术相比，本发明通过基于扩散模型的多源域域自适应模型，解决了现有高光谱分类任务中由于目标域标签数据缺乏以及多源域之间、源域目标域之间存在域差异而导致的难以将多源域训练模型迁移至目标域数据集的问题,并且目标域模型生成过程中不访问源域数据只访问源域训练模型从而减少了数据传输、数据存储的负担，实现快速将地多种卫星数据上训练的模型迁移到目标卫星数据的方法。

本发明公开了一种基于扩散模型的生成式图像隐写方法，涉及信息安全技术领域，主要分为载密图片生成和秘密信息提取两部分，载密图片生成的过程为：1、秘密信息加密；2、划分秘密信息子块；3、将每个秘密信息子块映射到隐空间，生成隐向量；4、将隐向量输入到扩散模型中生成载密图片。秘密信息提取的过程为：1、读取载密图片数据并输入到提取网络中以恢复出隐向量；2、提取隐向量中的秘密信息；3、将秘密信息映射成二进制比特流；4、解密得到秘密信息。从而使得本发明在保证高隐写容量的同时，也保证了隐写图片的生成质量和更高的秘密信息提取率。