一种基于低秩全变分深度先验融合的视觉数据补全方法(高校公示15天)(不包年费滞纳金)(需要二变)
本发明属于张量补全技术领域,尤其涉及一种基于低秩全变分深度先验融合的视觉数据补全方法。本发明包括构建低秩全变分深度先验融合算法,将观测张量输入低秩全变分深度先验融合算法,采用ADMM算法对低秩全变分深度先验融合算法的变量,输出复原张量。通过基于log范数的转化张量核范数以及3DTV的加权提升方案以及利用灰度图像进行训练的卷积神经网络提供的隐式先验,以同时捕获低秩、分段平滑和数据驱动先验;选用基于酉矩阵变换的转化张量核范数挖掘张量本质的低秩属性;引入非凸log函数代替TNN中的l
《一种基于低秩全变分深度先验融合的视觉数据补全方法(高校公示15天)(不包年费滞纳金)(需要二变)》是一发明专利,专利号为 2023117002770,当前法律状态为已下证,由浙江工业大学提出申请,发明人为姚晓敏;徐宏辉;许愿;郑建炜,申请日期为2023-12-12,公开(公告)日期为2025-07-29,国际专利分类号(IPC)为 G06T 5/70 (2024.01),高新资质:未报高企。该专利已下发证书,权利稳定,适合直接办理转让过户,是企业申报高企、项目招投标、质押融资的优质标的。赋翼网提供从选品、尽调、合同签订到官方著录项目变更(过户)的一站式专利转让服务,专业顾问全程协助,确保交易合规、安全、高效。专利摘要:本发明属于张量补全技术领域,尤其涉及一种基于低秩全变分深度先验融合的视觉数据补全方法。本发明包括构建低秩全变分深度先验融合算法,将观测张量输入低秩全变分深度先验融合算法,采用ADMM算法对低秩全变分深度先验融合算法的变量,输出复原张量。通过基于log范数的转化张量核范数以及3DTV的加权提升方案以及利用灰度图像进行训练的卷积神经网络提供的隐式先验,以同时捕获低秩、分段平滑和数据驱动先验;选用基于酉矩阵变换的转化张量核范数挖掘张量本质的低秩属性;引入非凸log函数代替TNN中的l
海量优质专利即买即用,四大核心优势助您弯道超车:
🏆 拿资质,享红利:高企认定、专精特新必备!轻松获取政府补贴、税收减免,招投标直接加分!
💎 增信誉,融资金:支持实缴注册资金,彰显企业硬实力;支持专利质押贷款,盘活现金流,扩张不缺钱!
🔥 强背书,防抄袭:印上“专利产品”,客户更信赖!构建技术壁垒,把竞争对手挡在门外,稳占市场份额!
🚀 省时间,快变现:告别漫长研发与高风险!优质专利即买即用,让技术立刻变成真金白银的利润!
