本发明公开了一种基于图像分析和语言描述的AI图像生成方法及系统，属于图像生成技术领域，可提高目标图像生成的精准性；包括获取待生成的目标场景的语言描述，识别并提取语言描述中的主体对象、空间方位谓词和客体对象，生成对应的第一描述向量；对第一描述向量进行聚类，生成核心要素集合；根据获取的参考图像生成各物体对应的第二描述向量；将第二描述向量与核心要素集合进行匹配，生成关联关系数据；基于关联关系数据对各物体进行重组，生成重组后的物体集合；基于各物体之间的空间关系和核心要素之间的关联度对重组后的物体集合进行布局优化，得到重组后的物体集合的布局信息；根据重组后的物体集合的布局信息和第一描述向量生成目标图像。
📄 2025104967106
📂 G06T11_00
👤 江西师范大学
📅 2025-04-21
本发明公开了一种基于生成对抗网络的图像生成方法，包括以下步骤：收集包含不同风格、主题和元素的图像数据集；使用NLP技术训练指令解析模块，解析用户指令；构建并训练创意融合网络，根据用户指令，融合图像数据集的不同维度的特征，生成创意特征表示；基于生成对抗网络，构建生成器和判别器，使用对抗训练的方式优化生成图像的质量和创意性；引入创意激发机制，建立用户反馈循环；对生成的图像进行测试，根据用户反馈和评价指标优化生成方法；通过生成对抗网络和创意融合网络的结合，能够生成高质量且具有创意性的图像。同时，创意融合网络能够融合多种特征，生成具有新颖性和独特性的图像，满足用户多样化的需求。
📄 2025105510028
📂 G06T11_00
👤 江西师范大学
📅 2025-04-29
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。
📄 2024103525927
📂 G06T11_00
👤 苏州岽睿微电子科技有限公司
📅 2024-03-26
本发明公开了一种触觉图像的生成和显示方法，步骤1，对获取的原始视觉二维数字图像提取目标图像；步骤2，对目标图像进行边缘检测，得到目标图像的轮廓二值图；步骤3，基于透视判别准则校正轮廓二值图；步骤4，对步骤3所得的轮廓二值图去噪；步骤5，对去噪的轮廓二值图建立图像金字塔，基于预设的综合评价策略在图像金字塔中选取最佳分辨率二值图；步骤6，将最佳分辨率二值图映射为触觉图像；步骤7，判断触觉图像的分辨率是否大于触觉显示器的分辨率，若是，采用窗口滑动的方式显示触觉图像，否则将触觉图像在触觉显示器上居中显示。本发明通过特殊的图像处理策略生成的触觉图像易于识别，且能满足在较小分辨率的触觉显示器上显示的要求。
📄 2022104832711
📂 G06T11_00
👤 浙江工业大学
📅 2022-04-30
一种基于深度拉普拉斯网络的快速磁共振成像方法，包括如下步骤：步骤1输入u倍欠采样的MR图像#imgabs0#步骤2由深度拉普拉斯网络#imgabs1#得到重构后的MR图像#imgabs2#图1给出了深度拉普拉斯网络fLap(·；Θ)的一个范例。本发明将MR图像的采样原理与深度学习技术相结合，基于拉普拉斯金字塔思想对高倍欠采样的MR图像进行逐层重构，能够有效降低输入数据中的大量伪影对重构效果的影响，能有效地提升MR图像的重建速度和精度。
📄 2020111029831
📂 G06T11_00
👤 浙江工业大学
📅 2020-10-15
一种基于流型识别和变化灵敏度矩阵的EMT图像重构方法，首先，通过对k种不同流型的测量电压数据样本添加随机噪声得到每个流型各100个样本总计共100k个流型样本库V和k个原始流型所对应的灵敏度矩阵S；其次借助压缩感知理论中的正交匹配追踪算法(OMP)分别求出测试样本和标准样本在过完备训练样本集V投影下的稀疏解，并计算测试样本与所有标准样本对应的稀疏解之间的线性相关系数，将线性相关系数最大值所对应的流型确定为测试样本的归属流型；最后根据辨识出来的归属流型选择对应的流型灵敏度矩阵进行图像重建。本发明有效提高EMT系统的图像重构精度。
📄 2022112408590
📂 G06T11_00
👤 浙江工业大学
📅 2022-10-11
一种基于ConvLSTM的时序序列影像重建方法，包含：步骤1：构造时间序列影像；步骤2：提取地表同质影像对象；步骤3：对同质影像对象进行分类，根据地物覆盖类型的不同，建立地物分类体系CL，根据分类体系CL选择分类样本，然后构建特征空间也就是参与分类的特征，将其应用到所有类别中，最后执行分类，实现根据地物不同覆盖类型对图斑进行分类的效果；步骤4：构建ConvLSTM网络框架；ConvLSTM在FC‑LSTM的基础上将输入到状态，状态到状态的前馈式计算方式转换为卷积形式；步骤5：制作训练样本，进行模型训练；步骤6：模型预测；将Pt1与M作差集运算得到带有缺失部分需要重建的数据集M'，利用模型捕获到的时间变化趋势和空间信息特征对M'进行预测，实现了对缺失部分的重建。
📄 2021103597917
📂 G06T11_00
👤 浙江工业大学
📅 2021-04-02
一种基于加速比细分的MRI重建网络的训练方法，首先，通过对目标加速比的深度细分，构建一系列具有不同加速比的MRI数据；其次，基于序贯训练方式，从低倍加速比到高倍加速比，依次学习各欠采样的MRI图像到全采样的MRI图像的映射关系，并且，针对每种加速比只进行少量期次的迭代训练；最后，针对目标加速比，进行多个期次的迭代训练。本发明所提供的方法能够有效利用小规模训练样本对高倍欠采样的MRI图像进行重建，具有很强的实用性。
📄 2022106863150
📂 G06T11_00
👤 浙江工业大学
📅 2022-06-16
本发明涉及一种文本生成图像方法，基于Transformer模块和AttnGAN网络，将文本经过文本编码器编码后得到句子特征和单词特征，句子特征通过条件增强模块得到特征向量，将其与随机噪声向量融合输入到Transformer模块学习，输出改进特征向量并输入到生成器中生成粗略64*64像素的初始图像，将初始合成图像和改进特征向量输入到判别器进行判别，并根据损失函数训练生成器；依次将上一步的改进特征向量与单词特征一起输入到神经网络进行上采样得到融合向量，再将其输入到生成器得到128*128像素的图像、256*256像素的图像。本发明生成的图像较于之前传统AttnGAN方法生成的图像细节轮廓更清晰。
📄 2021111092651
📂 G06T11_00
👤 浙江工业大学
📅 2021-09-22
一种基于ICU‑Net的高倍欠采样的磁共振图像重建方法，包括如下步骤：步骤1，输入u倍欠采样的磁共振图像 步骤2，由ICU‑Net fICU(·；Θ)，得到重构后的磁共振图像 图1给出了ICU‑Net的一个范例。本发明所提出的ICU‑Net将稠密连接、残差连接、特征图拼接、数据一致性原理等与U‑Net网络结构相结合，能够大幅度节省U‑Net的参数规模，使其适用于规模较小的磁共振图像训练样本，更有效地重建高倍欠采样磁共振图像中丢失的细节信息，提升磁共振图像的重构质量。
📄 2021103773533
📂 G06T11_00
👤 浙江工业大学
📅 2021-04-08
本发明公开一种基于复值卷积的GAN增强磁感应成像方法及系统，包括：S1、采集电压序列数据，构建复值神经网络模型，将所述电压序列数据输入所述复值神经网络模型进行训练，得到初步电导率分布图像；S2、构建对抗生成网络模型，将所述初步电导率分布图像输入所述对抗生成网络模型进行训练，得到用于图像增强的生成器；S3、将所述初步电导率分布图像输入所述生成器，得到高精度目标电导率分布图。本发明将对抗生成网络模型作为图像优化模块对复值卷积网络的输出进行图像增强，充分利用了电压序列数据的复值特性，提高了神经网络的训练效率及电导率重建的准确性，进而提高了最终图像的分辨率与精度。
📄 2021105034790
📂 G06T11_00
👤 浙江工业大学
📅 2021-05-10
一种基于序贯蒙特卡洛原理的EMT图像重建方法，包括以下步骤：步骤一，EMT图像重建过程建模；步骤二，初始化状态空间；步骤三，状态空间采样及样本权值更新：得到初始样本空间后，对其进行重要性采样，根据样本的观测距离设置相应的权重；步骤四，最优状态估计：基于获得的粒子及其权重，计算系统的状态空间估计，并通过迭代更新的方式搜索最优解，最后作为全局最优估计输出进行图像重建。本发明在图像误差和相关系数方面优于现有的其他方法，具有更好的成像质量。因此，它是一种高效、准确的EMT图像重建方法，也为EMT技术的研究提供了一种新的方法和手段。
📄 2021113063367
📂 G06T11_00
👤 浙江工业大学
📅 2021-11-05
柿子坊 · 知识产权运营
柿子坊知识产权运营平台