JP2022536327A_Description_20260619_0141_+++A_B_C_D_E_F_G_H_I_K_L_M_N_O_P_Q_R_S_T_U_V_W_X_j+++.docx

好的,我们将按照您的要求,对对比文件JP2022536327A(日本专利)是否公开目标专利CN114270799B(“1541相机装置以及相机装置的图像生成方法”)的权利要求中的技术特征进行严谨比对。本次调用的模型为深度思考模型。

首先,需要明确目标专利的权利要求技术特征划分(共24项,标记为A至X),并基于目标专利说明书原文理解每个特征的含义。对比文件JP2022536327A是目标专利的日本同族申请,其说明书内容与目标专利高度一致,但为了严谨,我们将引用对比文件中具体的段落内容进行比对。

以下为特征比对表格:

第一栏:技术特征描述及公开性判断结果第二栏:对比文件原文引用(从机器翻译中提取,并翻译成中文,标注段落编号)第三栏:公开性论述
技术特征A:包括:图像传感器<br>《直接公开》对比文件[0015]:“根据实施方式的相机装置可以包括:图像传感器”。对比文件[0015]明确记载了相机装置包括图像传感器,该特征的作用是获取外部物体的图像,与目标专利中图像传感器的功能完全相同。本领域技术人员可以毫无疑义地确定该特征被直接公开。
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》对比文件[0015]:“图像传感器,其生成具有第一分辨率的第一拜耳数据”。对比文件[0015]直接记载了图像传感器生成具有第一分辨率的第一拜耳数据,这与目标专利中图像传感器生成第一拜耳数据并作为后续处理的基础数据的作用完全相同。因此该特征被直接公开。
技术特征C:处理器<br>《直接公开》对比文件[0015]:“处理器”。对比文件[0015]明确提及处理器,且该处理器用于执行基于第一拜耳数据的深度学习以输出第二拜耳数据,与目标专利中处理器的功能完全一致。因此该特征被直接公开。
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>《直接公开》对比文件[0015]:“处理器,其基于第一拜耳数据执行深度学习以输出具有第二分辨率的第二拜耳数据”。对比文件[0015]直接记载了处理器使用第一拜耳数据通过深度学习输出第二拜耳数据,且第二分辨率高于第一分辨率(见特征I)。该作用与目标专利完全相同,即提升拜耳数据的分辨率。因此该特征被直接公开。
技术特征E:其中,所述处理器包括卷积神经网络<br>《直接公开》对比文件[0037]:“处理器220可以是使用基于深度学习的算法进行训练的处理器。它可以包括流水线处理器以及被训练成从第一拜耳数据生成第二拜耳数据的卷积神经网络。”对比文件[0037]明确处理器包括卷积神经网络,该网络被训练用于从第一拜耳数据生成第二拜耳数据。这与目标专利中处理器包含用于超分辨率的卷积神经网络的作用完全相同。因此该特征被直接公开。
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>《直接公开》对比文件[0060]:“卷积神经网络...可以被训练成:接收具有第一分辨率的第一拜耳数据并生成具有第二分辨率的第二拜耳数据。”对比文件[0060]直接记载了训练卷积神经网络以从第一拜耳数据生成第二拜耳数据,训练的目标就是让网络实现该分辨率提升功能。这与目标专利中卷积神经网络的训练目的和功能完全相同。因此该特征被直接公开。
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;并且中,所述第二拜耳数据被输出至图像信号处理器<br>《直接公开》对比文件[0064]:“在执行深度学习时使用的学习数据可以是在将具有较低实际分辨率的拜耳图像转换为具有较高分辨率的拜耳图像时获得的结果”。<br>对比文件[0121]:“图像信号处理单元(ISP,300)可以使用MIPI通信接收由处理器(220)生成的第二拜耳图像,并且执行图像信号处理过程。”对比文件[0064]直接表明学习数据涉及低分辨率拜耳图像和高分辨率拜耳图像,隐含训练集必然包括这两类拜耳数据,且本领域技术人员可毫无疑义地确定训练集包含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。对比文件[0121]直接记载了第二拜耳数据被输出至图像信号处理器(ISP)。因此该特征的两个部分均被直接公开。
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>《直接公开》对比文件[0144]:“可以通过执行AP的图像信号处理单元的去马赛克RGB转换来生成RGB图像。”对比文件[0144]直接记载了图像信号处理单元(AP的ISP)通过去马赛克(RGB转换)从第二拜耳数据生成RGB图像。这与目标专利中图像信号处理器执行去马赛克生成RGB数据的作用完全相同。因此该特征被直接公开。
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》对比文件[0015]:“第二分辨率高于第一分辨率”。对比文件[0015]在描述处理器时明确说明第二分辨率高于第一分辨率,该特征与目标专利中分辨率提升的本质完全一致,是超分辨率技术的基本特征。因此被直接公开。
技术特征J:其中,所述处理器包括:接收单元<br>《隐含公开》对比文件[0037]:“图像生成单元200可以包括:接收单元210,其接收由发送单元120发送的图像并将该图像发送至处理器220”。对比文件[0037]公开了接收单元210独立于处理器220存在,但未明确接收单元是处理器的一部分。然而,本领域技术人员可以合理推断,为了接收数据,处理器内部必然包含用于接收输入数据的接口单元或功能模块,将接收单元集成在处理器中是常见的实现方式。且对比文件并没有排除这种集成。因此,根据隐含公开的宽松标准,该技术特征有可能被公开,故为隐含公开。
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》对比文件[0037]:“接收单元210,其接收由发送单元120发送的图像”。<br>对比文件[0039]:“发送单元120可以提取拜耳图案的信息,然后将该信息发送至接收单元210”。对比文件[0037]和[0039]明确接收单元接收的图像信息包含拜耳图案,即第一拜耳数据。因此接收单元被配置成接收第一拜耳数据的技术特征被直接公开。
技术特征L:卷积神经网络<br>《直接公开》对比文件[0060]:“卷积神经网络”。对比文件[0060]直接提及卷积神经网络,并在上下文中明确该网络用于处理拜耳数据超分辨率。因此该特征被直接公开。
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>《直接公开》对比文件[0060]:“卷积神经网络...可以被训练成:接收具有第一分辨率的第一拜耳数据并生成具有第二分辨率的第二拜耳数据。”对比文件[0060]直接记载了卷积神经网络的配置和功能,即使用第一拜耳数据输出第二拜耳数据。与目标专利特征M完全一致,故直接公开。
技术特征N:其中,所述处理器生成第一阵列数据<br>《直接公开》对比文件[0016]:“处理器可以通过针对每个波长波段布置第一拜耳数据来生成第一阵列数据”。对比文件[0016]直接记载处理器生成第一阵列数据(通过按波长波段布置第一拜耳数据)。这与目标专利中处理器生成第一阵列数据的作用相同。因此直接公开。
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>《直接公开》对比文件[0016]:“针对每个波长波段布置第一拜耳数据来生成第一阵列数据”。对比文件[0016]明确说明第一阵列数据是通过针对每个波长波段布置第一拜耳数据而生成的。这揭示了第一阵列数据的构成方式,与目标专利特征O完全相同。因此直接公开。
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>《直接公开》对比文件[0016]:“然后可以通过基于已经生成的第一阵列数据执行深度学习来生成第二阵列数据”。对比文件[0016]直接记载处理器基于第一阵列数据通过深度学习生成第二阵列数据。这与目标专利中处理器生成第二阵列数据的方式和作用相同。因此直接公开。
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》对比文件[0107]:“深度学习处理器222可以...生成具有第二分辨率的第二阵列数据,第二分辨率具有比第一分辨率更高的分辨率。”对比文件[0107]明确第二阵列数据具有比第一阵列数据的原始分辨率(第一分辨率)更高的第二分辨率,即分辨率不同。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>《直接公开》对比文件[0017]:“处理器可以基于第二阵列数据来生成第二拜耳数据”。对比文件[0017]直接公开了处理器使用第二阵列数据生成第二拜耳数据,与目标专利特征R完全相同。因此直接公开。
技术特征S:其中,所述处理器包括:第一数据对齐单元<br>《直接公开》对比文件[0019]:“处理器包括:第一数据对齐单元,其生成第一阵列数据,在第一阵列数据中,针对每个波长波段布置第一拜耳数据”。对比文件[0019]明确处理器包括第一数据对齐单元,该单元用于生成按波长波段布置的第一阵列数据。与目标专利特征S完全一致。因此直接公开。
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>《直接公开》对比文件[0019]:“第一数据对齐单元,其生成第一阵列数据”。对比文件[0019]直接记载第一数据对齐单元的功能是生成第一阵列数据。与目标专利特征T完全相同。因此直接公开。
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>《直接公开》对比文件[0019]:“在第一阵列数据中,针对每个波长波段布置第一拜耳数据”。对比文件[0019]直接描述了第一阵列数据的特征,即按波长波段布置第一拜耳数据。与目标专利特征U完全相同。因此直接公开。
技术特征V:第二数据对齐单元<br>《直接公开》对比文件[0019]:“第二数据对齐单元”。对比文件[0019]明确处理器包括第二数据对齐单元。与目标专利特征V完全相同。因此直接公开。
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>《直接公开》对比文件[0019]:“第二数据对齐单元,其生成第二拜耳数据”。对比文件[0019]直接记载第二数据对齐单元生成第二拜耳数据。与目标专利特征W完全相同。因此直接公开。
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>《直接公开》对比文件[0019]:“在第二拜耳数据中,以拜耳图案布置第二阵列数据”。对比文件[0019]直接公开第二拜耳数据是以拜耳图案布置第二阵列数据而形成的。与目标专利特征X完全相同。因此直接公开。

总结:基于上述对比分析,对比文件直接公开了除技术特征J外的所有特征,技术特征J被隐含公开。

因此,在结尾插入的代码为:

对于直接公开的特征:A, B, C, D, E, F, G, H, I, K, L, M, N, O, P, Q, R, S, T, U, V, W, X (对应大写代码)

对于隐含公开的特征:j (对应小写代码)

请注意,特征J对应的小写代码为<<<j>>>,其他直接公开的特征对应的大写代码依次为<<<A>>>, <<<B>>>, <<<C>>>, <<<D>>>, <<<E>>>, <<<F>>>, <<<G>>>, <<<H>>>, <<<I>>>, <<<K>>>, <<<L>>>, <<<M>>>, <<<N>>>, <<<O>>>, <<<P>>>, <<<Q>>>, <<<R>>>, <<<S>>>, <<<T>>>, <<<U>>>, <<<V>>>, <<<W>>>, <<<X>>>。这些代码应按顺序或集合方式在回答结尾输出。根据要求,我们需要将每个公开的特征对应的代码插入在回答的结尾。由于是多个代码,按照规定,每个特征对应一个代码,我们需逐一列出。但为了简洁,我们可以按次序写出所有代码。

最终结尾代码整合如下:

直接公开:A B C D E F G H I K L M N O P Q R S T U V W X

隐含公开:j

根据输出格式要求,我们按顺序输出每个代码。注意特征J对应的代码是小写j。

所以结尾应为:<<<A>>> <<<B>>> <<<C>>> <<<D>>> <<<E>>> <<<F>>> <<<G>>> <<<H>>> <<<I>>> <<<j>>> <<<K>>> <<<L>>> <<<M>>> <<<N>>> <<<O>>> <<<P>>> <<<Q>>> <<<R>>> <<<S>>> <<<T>>> <<<U>>> <<<V>>> <<<W>>> <<<X>>>

确认无误。

现在,请以最终答案形式输出。</think>对比文件名称:JP2022536327A_Description_20260619_0141

目标专利名称:1541相机装置以及相机装置的图像生成方法CN114270799B

调用模型名称:深度思考模型

### 特征比对表格

第一栏:技术特征描述及公开性判断结果第二栏:对比文件原文引用(翻译成中文,标注段落编号)第三栏:公开性论述
技术特征A:包括:图像传感器<br>《直接公开》对比文件[0015]:“根据实施方式的相机装置可以包括:图像传感器”。对比文件[0015]明确记载了相机装置包括图像传感器,该特征的作用是获取外部物体的图像,与目标专利中图像传感器的功能完全相同。本领域技术人员可以毫无疑义地确定该特征被直接公开。
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》对比文件[0015]:“图像传感器,其生成具有第一分辨率的第一拜耳数据”。对比文件[0015]直接记载了图像传感器生成具有第一分辨率的第一拜耳数据,这与目标专利中图像传感器生成第一拜耳数据并作为后续处理的基础数据的作用完全相同。因此该特征被直接公开。
技术特征C:处理器<br>《直接公开》对比文件[0015]:“处理器”。对比文件[0015]明确提及处理器,且该处理器用于执行基于第一拜耳数据的深度学习以输出第二拜耳数据,与目标专利中处理器的功能完全一致。因此该特征被直接公开。
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>《直接公开》对比文件[0015]:“处理器,其基于第一拜耳数据执行深度学习以输出具有第二分辨率的第二拜耳数据”。对比文件[0015]直接记载了处理器使用第一拜耳数据通过深度学习输出第二拜耳数据,且第二分辨率高于第一分辨率(见特征I)。该作用与目标专利完全相同,即提升拜耳数据的分辨率。因此该特征被直接公开。
技术特征E:其中,所述处理器包括卷积神经网络<br>《直接公开》对比文件[0037]:“处理器220可以是使用基于深度学习的算法进行训练的处理器。它可以包括流水线处理器以及被训练成从第一拜耳数据生成第二拜耳数据的卷积神经网络。”对比文件[0037]明确处理器包括卷积神经网络,该网络被训练用于从第一拜耳数据生成第二拜耳数据。这与目标专利中处理器包含用于超分辨率的卷积神经网络的作用完全相同。因此该特征被直接公开。
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>《直接公开》对比文件[0060]:“卷积神经网络...可以被训练成:接收具有第一分辨率的第一拜耳数据并生成具有第二分辨率的第二拜耳数据。”对比文件[0060]直接记载了训练卷积神经网络以从第一拜耳数据生成第二拜耳数据,训练的目标就是让网络实现该分辨率提升功能。这与目标专利中卷积神经网络的训练目的和功能完全相同。因此该特征被直接公开。
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,所述第二拜耳数据被输出至图像信号处理器<br>《直接公开》对比文件[0064]:“在执行深度学习时使用的学习数据可以是在将具有较低实际分辨率的拜耳图像转换为具有较高分辨率的拜耳图像时获得的结果”。<br>对比文件[0121]:“图像信号处理单元(ISP,300)可以使用MIPI通信接收由处理器(220)生成的第二拜耳图像,并且执行图像信号处理过程。”对比文件[0064]直接表明学习数据涉及低分辨率拜耳图像和高分辨率拜耳图像,隐含训练集必然包括这两类拜耳数据,且本领域技术人员可毫无疑义地确定训练集包含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。对比文件[0121]直接记载了第二拜耳数据被输出至图像信号处理器(ISP)。因此该特征的两个部分均被直接公开。
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>《直接公开》对比文件[0144]:“可以通过执行AP的图像信号处理单元的去马赛克RGB转换来生成RGB图像。”对比文件[0144]直接记载了图像信号处理单元(AP的ISP)通过去马赛克(RGB转换)从第二拜耳数据生成RGB图像。这与目标专利中图像信号处理器执行去马赛克生成RGB数据的作用完全相同。因此该特征被直接公开。
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》对比文件[0015]:“第二分辨率高于第一分辨率”。对比文件[0015]在描述处理器时明确说明第二分辨率高于第一分辨率,该特征与目标专利中分辨率提升的本质完全一致,是超分辨率技术的基本特征。因此被直接公开。
技术特征J:其中,所述处理器包括:接收单元<br>《隐含公开》对比文件[0037]:“图像生成单元200可以包括:接收单元210,其接收由发送单元120发送的图像并将该图像发送至处理器220”。对比文件[0037]公开了接收单元210独立于处理器220存在,但未明确接收单元是处理器的一部分。然而,本领域技术人员可以合理推断,为了接收数据,处理器内部必然包含用于接收输入数据的接口单元或功能模块,将接收单元集成在处理器中是常见的实现方式。且对比文件并没有排除这种集成。因此,根据隐含公开的宽松标准,该技术特征有可能被公开,故为隐含公开。
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》对比文件[0037]:“接收单元210,其接收由发送单元120发送的图像”。<br>对比文件[0039]:“发送单元120可以提取拜耳图案的信息,然后将该信息发送至接收单元210”。对比文件[0037]和[0039]明确接收单元接收的图像信息包含拜耳图案,即第一拜耳数据。因此接收单元被配置成接收第一拜耳数据的技术特征被直接公开。
技术特征L:卷积神经网络<br>《直接公开》对比文件[0060]:“卷积神经网络”。对比文件[0060]直接提及卷积神经网络,并在上下文中明确该网络用于处理拜耳数据超分辨率。因此该特征被直接公开。
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>《直接公开》对比文件[0060]:“卷积神经网络...可以被训练成:接收具有第一分辨率的第一拜耳数据并生成具有第二分辨率的第二拜耳数据。”对比文件[0060]直接记载了卷积神经网络的配置和功能,即使用第一拜耳数据输出第二拜耳数据。与目标专利特征M完全一致,故直接公开。
技术特征N:其中,所述处理器生成第一阵列数据<br>《直接公开》对比文件[0016]:“处理器可以通过针对每个波长波段布置第一拜耳数据来生成第一阵列数据”。对比文件[0016]直接记载处理器生成第一阵列数据(通过按波长波段布置第一拜耳数据)。这与目标专利中处理器生成第一阵列数据的作用相同。因此直接公开。
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>《直接公开》对比文件[0016]:“针对每个波长波段布置第一拜耳数据来生成第一阵列数据”。对比文件[0016]明确说明第一阵列数据是通过针对每个波长波段布置第一拜耳数据而生成的。这揭示了第一阵列数据的构成方式,与目标专利特征O完全相同。因此直接公开。
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>《直接公开》对比文件[0016]:“然后可以通过基于已经生成的第一阵列数据执行深度学习来生成第二阵列数据”。对比文件[0016]直接记载处理器基于第一阵列数据通过深度学习生成第二阵列数据。这与目标专利中处理器生成第二阵列数据的方式和作用相同。因此直接公开。
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》对比文件[0107]:“深度学习处理器222可以...生成具有第二分辨率的第二阵列数据,第二分辨率具有比第一分辨率更高的分辨率。”对比文件[0107]明确第二阵列数据具有比第一阵列数据的原始分辨率(第一分辨率)更高的第二分辨率,即分辨率不同。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>《直接公开》对比文件[0017]:“处理器可以基于第二阵列数据来生成第二拜耳数据”。对比文件[0017]直接公开了处理器使用第二阵列数据生成第二拜耳数据,与目标专利特征R完全相同。因此直接公开。
技术特征S:其中,所述处理器包括:第一数据对齐单元<br>《直接公开》对比文件[0019]:“处理器包括:第一数据对齐单元,其生成第一阵列数据,在第一阵列数据中,针对每个波长波段布置第一拜耳数据”。对比文件[0019]明确处理器包括第一数据对齐单元,该单元用于生成按波长波段布置的第一阵列数据。与目标专利特征S完全一致。因此直接公开。
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>《直接公开》对比文件[0019]:“第一数据对齐单元,其生成第一阵列数据”。对比文件[0019]直接记载第一数据对齐单元的功能是生成第一阵列数据。与目标专利特征T完全相同。因此直接公开。
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>《直接公开》对比文件[0019]:“在第一阵列数据中,针对每个波长波段布置第一拜耳数据”。对比文件[0019]直接描述了第一阵列数据的特征,即按波长波段布置第一拜耳数据。与目标专利特征U完全相同。因此直接公开。
技术特征V:第二数据对齐单元<br>《直接公开》对比文件[0019]:“第二数据对齐单元”。对比文件[0019]明确处理器包括第二数据对齐单元。与目标专利特征V完全相同。因此直接公开。
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>《直接公开》对比文件[0019]:“第二数据对齐单元,其生成第二拜耳数据”。对比文件[0019]直接记载第二数据对齐单元生成第二拜耳数据。与目标专利特征W完全相同。因此直接公开。
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>《直接公开》对比文件[0019]:“在第二拜耳数据中,以拜耳图案布置第二阵列数据”。对比文件[0019]直接公开第二拜耳数据是以拜耳图案布置第二阵列数据而形成的。与目标专利特征X完全相同。因此直接公开。

根据上述比对,对比文件JP2022536327A直接公开了除技术特征J以外的所有技术特征,技术特征J被隐含公开。

<<<A>>> <<<B>>> <<<C>>> <<<D>>> <<<E>>> <<<F>>> <<<G>>> <<<H>>> <<<I>>> <<<j>>> <<<K>>> <<<L>>> <<<M>>> <<<N>>> <<<O>>> <<<P>>> <<<Q>>> <<<R>>> <<<S>>> <<<T>>> <<<U>>> <<<V>>> <<<W>>> <<<X>>>

权利要求与技术特征
Powered by Django

网站备案号:渝ICP备2023012882号


重庆市非显而易见网络科技有限责任公司 A Anti NPE NPE