**对比文件的名称：** 2009-03-04_JP4234420B_发明专利_JP4234420B2 Method and apparatus increase the data resolution
**目标专利的名称：** 1541相机装置以及相机装置的图像生成方法CN114270799B
**本次调用的模型名称：** (未指定，按需填写)
## 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：包括：图像传感器<br>《直接公开》 | 【００２１】“例えば生画像であってもよいデータの第１組１０２を検出器アレイ１０４から受ける。” 以及【００３３】“画像検出器アレイ”的多种实施方式。 | 对比文件明确公开了图像传感器（如“検出器アレイ”、“画像検出器”），用于接收光信号并转换为电数据，其作用与目标专利中的图像传感器相同，均是获取图像数据。因此该技术特征被直接公开。 |
| **技术特征B**：所述图像传感器被配置成生成具有第一分辨率的第一拜耳数据<br>《直接公开》 | 【００５３】～【００５６】描述了彩色滤波阵列（ＣＦＡ）包括“ベイヤモザイク”（拜耳马赛克），各像素仅有一个颜色分量，即拜耳数据。例如【００５６】“ベイヤモザイクは、５０％の緑色画素の空間解像度と、２５％の赤色および青色画素の空間解像度とを各々設定し”。 | 对比文件公开了拜耳马赛克图像传感器，每个像素输出一种颜色分量，构成拜耳数据，并具有特定的空间分辨率（即第一分辨率）。该传感器输出未经过插值的原始拜耳数据，与目标专利中生成第一拜耳数据的图像传感器作用相同。因此直接公开。 |
| **技术特征C**：处理器<br>《直接公开》 | 【００２１】“モデル１０６を使用し、第１データ組１０２を処理し、これによって第２データ組１０８を発生する。” 以及【０１０６】～【０１０８】关于计算机系统的处理部分。 | 对比文件明确公开了处理器（如“モデル”、“処理ユニット”），用于对输入数据进行处理和生成输出数据。其作为执行算法的核心部件，与目标专利中处理器的功能一致。因此直接公开。 |
| **技术特征D**：所述处理器被配置成使用所述第一拜耳数据输出具有第二分辨率的第二拜耳数据<br>《隐含公开》 | 【００５８】～【００６６】中描述了从贝叶马赛克输入（低分辨率单色）重建高质量彩色图像（高分辨率RGB）。【０１０２】进一步公开了空间分辨率提升：“获得された画像を、理論的なより高品質の画像の低解像度バージョンとみなすことができる。…構造モデルを使用し、…単一の高解像度値にマッピングすることができる。” | 对比文件公开了处理器使用低分辨率拜耳数据（马赛克图像）通过结构模型生成高分辨率数据，但输出数据形式为RGB而非拜耳。然而，本领域技术人员可以合理推断：既然能通过模型从低分辨率拜耳生成高分辨率RGB，也可以通过对模型进行适当调整（例如改变训练目标）来直接输出高分辨率拜耳数据。因为拜耳数据与RGB数据在数据结构上具有关联性（拜耳是RGB的原始形式），且对比文件的方法本质上是对原始数据的增强。因此该技术特征被隐含公开。 |
| **技术特征E**：其中，所述处理器包括卷积神经网络<br>《隐含公开》 | 【００２８】“ネットワーク３０６は、例えば、マルコフネットワーク、ベイジアンネットワーク、および／または、ニューラルネットワークを具えることができ”。 | 对比文件明确提到神经网络（ニューラルネットワーク）作为处理器实现的一种可能网络结构，而卷积神经网络（CNN）是神经网络的一个重要子类。在对比文件公开的多种可供选择的网络类型中，本领域技术人员有动机将CNN这种广泛使用的网络用于数据分辨率增强任务，因为CNN在当时已被证明在图像处理方面具有优势。因此该技术特征被隐含公开。 |
| **技术特征F**：所述卷积神经网络被训练成：使用第一拜耳数据输出具有第二分辨率的第二拜耳数据<br>《隐含公开》 | 【００２４】描述了学习（训练）过程：“高品質データ（例えば、高解像度画像データ）の標本を、前記高品質データから計算された低品質データの標本と比較することによって‘学習’する。” 以及【００２８】提到对网络进行训练以优化参数。 | 对比文件公开了使用训练过程来优化模型参数，该模型能够从低质量数据（如低分辨率数据）生成高质量数据（如高分辨率数据）。虽未明确指定训练使用拜耳数据，但其训练原理（成对的高低质量数据）同样适用于拜耳数据域。结合特征E中隐含公开的CNN，本领域技术人员能够想到用拜耳数据训练CNN以输出高分辨率拜耳数据。因此隐含公开。 |
| **技术特征G**：其中，所述卷积神经网络的训练集包括具有第一分辨率的第一拜耳数据和具有第二分辨率的第二拜耳数据；并且其中，所述第二拜耳数据被输出至图像信号处理器<br>《隐含公开》 | 【００６４】描述了从高质量彩色图像降质得到拜耳图像作为训练对的低质量数据，但未直接使用拜耳作为训练目标。【００５８】～【００６６】的SVC技术输出的是RGB图像。 | 对比文件虽未明确输出第二拜耳数据至图像信号处理器，但公开了从训练数据对（高质/低质）中学习模型。本领域技术人员根据对比文件的启示，可以容易地采用低分辨率拜耳和高分辨率拜耳作为训练对。此外，输出拜耳数据至后端的图像处理器（如ISP）是数字成像系统的常规做法，因此该特征被隐含公开。 |
| **技术特征H**：所述图像信号处理器通过执行去马赛克从所述第二拜耳数据生成RGB数据<br>《隐含公开》 | 【００５８】～【００６６】的SVC技术直接从拜耳马赛克生成全彩色RGB图像，该过程本质上就是去马赛克。 | 对比文件公开的方法虽然集成了去马赛克功能，但本领域技术人员清楚，在传统成像系统中，拜耳数据通常由独立的ISP进行去马赛克处理。对比文件的对等步骤（从拜耳到RGB）可以被视为去马赛克的一种实现。因此，将对比文件与公知常识结合，容易想到将生成的高分辨率拜耳数据送至ISP进行去马赛克。该特征被隐含公开。 |
| **技术特征I**：其中，所述第二分辨率高于所述第一分辨率。<br>《直接公开》 | 【０１０２】“画像の空間解像度を増すこともできる。” 以及【００２１】“より高い解像度のデータを発生する”。 | 对比文件明确公开了生成更高分辨率的数据（包括空间分辨率），即输出数据的第二分辨率高于输入数据的第一分辨率。该作用与目标专利完全相同。因此直接公开。 |
| **技术特征J**：其中，所述处理器包括：接收单元<br>《直接公开》 | 【图1】和【００２１】“データの第１組１０２を検出器アレイ１０４から受ける。”以及【００２３】“第１データを受ける（ステップ４０２）”。 | 对比文件公开了处理器具有用于接收输入数据的部件（步骤或模块），即接收单元。该单元负责接收原始数据，其功能与目标专利中的接收单元一致。因此直接公开。 |
| **技术特征K**：所述接收单元被配置成接收所述第一拜耳数据<br>《直接公开》 | 【００５３】～【００６６】中，作为输入数据的“ＳＶＣ画像”即来自贝叶马赛克传感器，包含拜耳数据。接收单元接收该数据。 | 对比文件的接收单元所接收的输入数据明确包括拜耳马赛克数据（第一拜耳数据）。因此该特征被直接公开。 |
| **技术特征L**：卷积神经网络<br>《隐含公开》 | 同特征E的引用，【００２８】提到神经网络。 | 同特征E论述，对比文件隐含公开了神经网络，而卷积神经网络是其中的一种重要类型。因此隐含公开。 |
| **技术特征M**：所述卷积神经网络被配置成：使用所述第一拜耳数据输出具有第二分辨率的第二拜耳数据。<br>《隐含公开》 | 同特征F的引用，【００２４】等。 | 同特征F论述，对比文件隐含公开了用训练好的模型（包括神经网络）从低分辨率拜耳数据生成高分辨率数据，且拜耳格式可以被保持。因此隐含公开。 |
| **技术特征N**：其中，所述处理器生成第一阵列数据<br>《隐含公开》 | 【００５８】对局部邻域的处理中，不同颜色通道的数据在模型中通过不同系数分别处理，相当于按颜色分离。例如式(11)～(13)中对不同颜色通道独立建模。 | 对比文件未显式创建“第一阵列数据”，但其处理方式必然涉及将拜耳数据按照颜色通道（波长）进行区分和重组，以便计算高分辨率值。这种逻辑上的操作等效于生成按颜色排列的中间数据阵列。因此隐含公开。 |
| **技术特征O**：在所述第一阵列数据中，针对每个波长波段布置所述第一拜耳数据<br>《隐含公开》 | 【００５８】“各々のカラーチャネルλおよび各々の局部パターンｐに対して…多項式係数”。模型参数对每个颜色通道独立学习，意味着数据被按颜色分类。 | 同上，对比文件在进行高分辨率重建时，对拜耳数据中的R、G、B分量分别对待，必然需要将属于不同波长波段的数据分离布置，才能应用独立的模型系数。该操作与目标专利中的第一阵列数据布置等效。因此隐含公开。 |
| **技术特征P**：所述处理器基于所述第一阵列数据生成第二阵列数据<br>《隐含公开》 | 【００５８】式(11)中以邻域内的像素值（不同颜色）的幂次组合生成高分辨率颜色值。 | 对比文件在生成高分辨率值（第二阵列数据）时，其输入是分类后的颜色数据（第一阵列数据），通过模型计算输出。这一过程与目标专利的“基于第一阵列数据生成第二阵列数据”在逻辑上一致。因此隐含公开。 |
| **技术特征Q**：所述第二阵列数据具有与所述第一阵列数据不同的分辨率。<br>《直接公开》 | 【０１０２】“元の前記測定画像の４倍多くの画素を有する画像を発生する”。 | 对比文件明确公开了输出数据的分辨率高于输入数据的分辨率，即第二阵列数据与第一阵列数据具有不同的（更高的）分辨率。因此直接公开。 |
| **技术特征R**：其中，所述处理器基于所述第二阵列数据生成所述第二拜耳数据。<br>《隐含公开》 | 【００６６】“係数Ｃｐを、前記正規化された隣接部パターンおよび各々のカラーチャネルに用い、これによって、Ｂｐｎｏｒｍ＝ＡｐｎｏｒｍＣｐを得る。…再構成された高品質カラー画像１６１０を得る。” | 对比文件将计算出的高分辨率颜色值（第二阵列数据）组合成最终的高质量图像，该图像虽为RGB格式，但其步骤与目标专利中将第二阵列数据重排为拜耳格式相似。本领域技术人员可以合理推断，通过改变重组规则（例如按照拜耳图案排列），即可从第二阵列数据得到第二拜耳数据。因此隐含公开。 |
| **技术特征S**：其中，所述处理器包括:第一数据对齐单元<br>《隐含公开》 | 【图5】和【００２３】中对输入数据按局部邻域（不同颜色位置）进行组织；【００５８】中按照局部模式分类。 | 对比文件虽然没有命名为“第一数据对齐单元”，但其内部必然具有对输入拜耳数据进行缓存和按颜色/位置重新组织的逻辑单元，以形成按波长波段布置的数据结构（第一阵列数据）。这种功能单元与目标专利的第一数据对齐单元等价。因此隐含公开。 |
| **技术特征T**：所述第一数据对齐单元被配置成生成所述第一阵列数据<br>《隐含公开》 | 同上，【００５８】中生成按颜色分类的邻域数据（A_p）。 | 对比文件中的数据处理逻辑单元实现了从拜耳数据到按颜色分类的数据的生成，即第一阵列数据的生成。因此隐含公开。 |
| **技术特征U**：在所述第一阵列数据中，针对每个波长波段布置所述第一拜耳数据<br>《隐含公开》 | 同特征O，【００５８】中不同颜色通道数据分别使用。 | 同特征O，隐含公开。 |
| **技术特征V**：第二数据对齐单元<br>《隐含公开》 | 【图5】和【００６６】中输出数据（B_p）被组合成最终图像，存在数据重组步骤。 | 对比文件的重建过程包含将多个高分辨率颜色值按特定方式组合成输出图像，该功能对应于目标专利的第二数据对齐单元。因此隐含公开。 |
| **技术特征W**：所述第二数据对齐单元被配置成生成所述第二拜耳数据<br>《隐含公开》 | 【００６６】将高分辨率颜色值组合成图像，若调整为拜耳图案则产生第二拜耳数据。 | 对比文件虽生成RGB图像，但本领域技术人员可依公知常识将其重组逻辑改为拜耳图案，从而输出第二拜耳数据。因此隐含公开。 |
| **技术特征X**：在所述第二拜耳数据中，以拜耳图案布置所述第二阵列数据。<br>《隐含公开》 | 【００５６】公开了拜耳图案的具体配置（2x2重复）。【００６６】的RGB输出可以转换为拜耳布局。 | 拜耳图案是公知常识，对比文件也使用了拜耳传感器。在生成高分辨率数据后，以拜耳图案对其进行排列得到第二拜耳数据是自然而然的选择。因此隐含公开。 |
## 结论
根据上述比对，对比文件直接公开了技术特征A、B、C、I、J、K、Q；隐含公开了技术特征D、E、F、G、H、L、M、N、O、P、R、S、T、U、V、W、X。技术特征E、F、L、M等虽然对比文件未明确提及卷积神经网络，但其公开的神经网络概念及训练方法足以暗示本领域技术人员可以采用卷积神经网络实现相同功能，故判定为隐含公开。
公开性代码表示：
<<<A>>> <<<B>>> <<<C>>> <<<I>>> <<<J>>> <<<K>>> <<<Q>>>
<<<d>>> <<<e>>> <<<f>>> <<<g>>> <<<h>>> <<<l>>> <<<m>>> <<<n>>> <<<o>>> <<<p>>> <<<r>>> <<<s>>> <<<t>>> <<<u>>> <<<v>>> <<<w>>> <<<x>>>