**对比文件的名称：** 2019-04-19_CN109658348A_发明公开_CN109658348A 基于深度学习的联合噪声估计和图像去噪方法
**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：** AI语言模型
---
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用（段落标号） | 公开性论述 |
| **技术特征A**：包括：图像传感器<br>（隐含公开） | 对比文件[0002]：“我们需要把相机的感光度(ISO)设置为较高值”；[0005]：“实际图像的噪声方差与图片的内容具有高度的相关性，如图1所示”。 | 对比文件虽然未直接提及“图像传感器”，但其所处理的带噪图像均来自相机拍摄，相机必然包含图像传感器。本领域技术人员可以合理推知该方法的图像来源依赖图像传感器，因此隐含公开了图像传感器。 |
| **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>（未公开） | 对比文件[0015]（步骤2.2）：“基于噪声方差的拜耳(Bayer)模式，在DnCNN网络的卷积层之前加入堆叠pack层，用于将带噪图像X按照拜耳模式进行降采样，产生4个子图”。 | 对比文件未记载图像传感器配置为生成拜耳数据。其提到的“拜耳模式”用于对彩色图像X进行降采样以估计噪声方差，而非图像传感器直接输出拜耳数据。目标专利的“第一拜耳数据”是指图像传感器输出的原始拜耳数据，对比文件未公开此配置。 |
| **技术特征C**：处理器<br>（隐含公开） | 对比文件[0005]：“随着深度学习技术的不断发展，其被越来越多地用到计算机视觉这一方面”；[0024]（步骤4）：“将步骤1和步骤2里的网络连接构成一个网络”；[0068]（步骤5）：“网络在caffe框架下训练”。 | 对比文件涉及卷积神经网络的训练和应用，这些计算任务必须在处理器（如CPU、GPU）上执行。虽然对比文件未明确写出“处理器”，但本领域技术人员可以合理推断该方法必然包含处理器，因此隐含公开了处理器。 |
| **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>（未公开） | 对比文件全文未公开使用拜耳数据输出不同分辨率的拜耳数据。其输出为去噪后的图像（与输入分辨率相同），如[0020]（步骤3.1）：“将估计的噪声标准差与带噪图像在深度方向上级联，然后再带入DnCNN网络预测噪声值”。 | 对比文件的目的为图像去噪，不涉及分辨率提升，也不涉及拜耳数据的生成。其输出数据与输入分辨率一致，且并非拜耳数据，因此未公开本特征。 |
| **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） | 对比文件[0005]：“卷积神经网络很适合于提取图像的特征”；[0053]（步骤2.1）：“采用卷积神经网络架构，而借鉴于DnCNN的优越性和运算速度，采用DnCNN网络架构”。 | 对比文件明确使用了卷积神经网络（CNN），但未明确提及“处理器”。由于CNN的实现必须依托处理器，因此本领域技术人员可以毫无疑义地推导出该方法中的处理器包含卷积神经网络，特征隐含公开。 |
| **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>（未公开） | 对比文件[0020]（步骤3.1）：“将估计的噪声标准差与带噪图像在深度方向上级联，然后再带入DnCNN网络预测噪声值”；[0032]（步骤3.2）损失函数设定。 | 对比文件中的卷积神经网络被训练用于预测噪声残差以去噪，而非用于超分辨率。其输入为带噪图像（非第一拜耳数据），输出为噪声值或去噪图像（非第二拜耳数据），且不涉及分辨率变化。 |
| **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>（未公开） | 对比文件[0011]（步骤1.1）：“数据集图片分别是四种相机拍摄，其中，无噪声图片的获得是通过对一静态场景连续拍摄500次，然后取平均值”；[0016]（步骤2.3）损失函数。 | 对比文件的训练集为带噪图像与无噪声图像（均具有相同分辨率），不包含拜耳数据，也未提及图像信号处理器或输出拜耳数据至ISP。 |
| **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>（未公开） | 对比文件全文未提及图像信号处理器（ISP）或去马赛克操作。 | 无公开。 |
| **技术特征I**：其中，所述第二分辨率高于所述第一分辨率。<br>（未公开） | 对比文件未涉及分辨率变化。 | 无公开。 |
| **技术特征J**：其中，所述处理器包括：接收单元<br>（未公开） | 对比文件未提及接收单元。其输入数据为图像，但未描述接收单元。 | 无公开。 |
| **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>（未公开） | 对比文件未提及接收单元，亦未明确接收第一拜耳数据。 | 无公开。 |
| **技术特征L**：卷积神经网络<br>（直接公开） | 对比文件[0005]：“卷积神经网络很适合于提取图像的特征”；[0053]（步骤2.1）：“采用卷积神经网络架构……采用DnCNN网络架构”；[0074]（步骤2.1）同样记载。 | 对比文件明确记载了卷积神经网络（CNN）的核心结构和应用，本领域技术人员可直接、毫无疑义地确定其公开了卷积神经网络。 |
| **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>（未公开） | 同特征F，对比文件无此配置。 | 无公开。 |
| **技术特征N**：其中，所述处理器生成第一阵列数据<br>（未公开） | 对比文件[0015]（步骤2.2）：“将带噪图像X按照拜耳模式进行降采样，产生4个子图……在深度上堆叠为12维图像”。 | 对比文件虽有按拜耳模式降采样产生子图的操作，但其输入为彩色图像X，而非拜耳数据，且得到的子图用于噪声估计，并非目标专利中由处理器从第一拜耳数据生成的“第一阵列数据”。两者目的和处理对象均不同，未公开。 |
| **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>（未公开） | 同上，对比文件[0015]（步骤2.2）产生子图，但输入不是第一拜耳数据，且子图不是由拜耳数据直接按波长波段布置而得。 | 无公开。 |
| **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>（未公开） | 对比文件无第二阵列数据的概念。其后续操作为级联噪声标准差再预测噪声，而非生成另一阵列数据。 | 无公开。 |
| **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>（未公开） | 对比文件未公开分辨率不同的阵列数据。 | 无公开。 |
| **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>（未公开） | 对比文件无此过程。 | 无公开。 |
| **技术特征S**：其中，所述处理器包括:第一数据对齐单元<br>（未公开） | 对比文件未公开第一数据对齐单元。 | 无公开。 |
| **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>（未公开） | 对比文件未公开。 | 无公开。 |
| **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>（未公开） | 同特征O，无公开。 | 无公开。 |
| **技术特征V**：第二数据对齐单元<br>（未公开） | 对比文件未公开。 | 无公开。 |
| **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>（未公开） | 对比文件未公开。 | 无公开。 |
| **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>（未公开） | 对比文件未公开。 | 无公开。 |
---
<<<L>>><<<a>>><<<c>>><<<e>>>