交叉注意力机制驱动的高保真光学变形测量技术与图像生成方法及系统
知识产权简介
本发明提供一种交叉注意力机制驱动的数字图像高保真变形测量与生成方法。该方法涵盖高精度变形测量与高保真图像生成两大模块：在测量阶段，利用特征提取网络将参考图像与变形图像映射至高维特征空间，通过可学习变换矩阵构建键值向量K与查询向量Q，并基于交叉注意力机制构建相似度损失函数，结合局部子区、全局有限元或白箱神经网络表征模式，利用优化算法迭代解算位移场与应变场。在生成阶段，将待生成的变形图像定义为像素级可优化张量，在预设位移场约束下，以物理一致性为导向构建包含相似度项与正则化项的联合目标函数，通过自动微分框架迭代修正像素灰度分布，导出符合物理规律的高保真变形图像。本发明利用高维语义特征提升了在复杂光照及噪声环境下的匹配精度。同时，通过将图像生成转化为物理约束下的优化问题，解决了传统插值方式不符合物理规律的缺陷，为深度学习驱动的算法提供了高质量的训练数据集。
转化前景
本发明提供一种交叉注意力机制驱动的数字图像高保真变形测量与生成方法。该方法涵盖高精度变形测量与高保真图像生成两大模块：在测量阶段，利用特征提取网络将参考图像与变形图像映射至高维特征空间，通过可学习变换矩阵构建键值向量K与查询向量Q，并基于交叉注意力机制构建相似度损失函数，结合局部子区、全局有限元或白箱神经网络表征模式，利用优化算法迭代解算位移场与应变场。在生成阶段，将待生成的变形图像定义为像素级可优化张量，在预设位移场约束下，以物理一致性为导向构建包含相似度项与正则化项的联合目标函数，通过自动微分框架迭代修正像素灰度分布，导出符合物理规律的高保真变形图像。本发明利用高维语义特征提升了在复杂光照及噪声环境下的匹配精度。同时，通过将图像生成转化为物理约束下的优化问题，解决了传统插值方式不符合物理规律的缺陷，为深度学习驱动的算法提供了高质量的训练数据集。