**对比文件名称**：2018-11-13_KR1020180122548A_发明公开_KR20180122548A 이미지를 처리하는 방법 및 장치
**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
**本次评估模型**：人工智能语言模型
### 特征比对表格
| 技术特征及公开性判断 | 对比文件引用内容（翻译成中文） | 公开性论述 |
| **A：图像传感器**<br>《隐含公开》 | 对比文件未明确提及“图像传感器”。但[0012]提及“单一场面的多个低分辨率图像是贝叶斯(bayer)图像”，[0092]开始专门处理贝叶斯低分辨率图像。这些图像必然来源于相机模块中的图像传感器。 | 对比文件虽未直接记载图像传感器，但其方法处理低分辨率贝叶斯图像，本领域技术人员可合理推知该图像由图像传感器生成。隐含公开。 |
| **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>《隐含公开》 | [0012]：“单一场面的多个低分辨率图像是贝叶斯(bayer)图像”。[0092]：“贝叶斯低分辨率图像集的处理…”。其中“低分辨率”对应第一分辨率，“贝叶斯图像”即拜耳数据。 | 对比文件公开了低分辨率拜耳数据，但未明确指定由图像传感器生成。结合特征A的隐含公开，本领域技术人员能合理推断这些拜耳数据由图像传感器产生，因而具有第一分辨率的第一拜耳数据被隐含公开。 |
| **C：处理器**<br>《直接公开》 | [0014]：“至少一个处理器；及存储多个滤波器集的存储器。” | 对比文件明确包括至少一个处理器，直接公开了处理器。 |
| **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》 | 对比文件通过多帧低分辨率图像（包括贝叶斯）生成高分辨率RGB图像（[0004]、[0129]），输出的是RGB格式而非拜耳数据。 | 对比文件最终输出为RGB高分辨率图像，并未输出第二拜耳数据。本领域技术人员不能毫无疑义地得出输出拜耳数据的结论，也未暗示。故未公开。 |
| **E：其中，所述处理器包括卷积神经网络**<br>《隐含公开》 | [0088]：“深度神经网络(DNN)可以被指定为：…卷积神经网络…”。[0090]：“卷积神经网络…”。 | 对比文件提到卷积神经网络是深度学习中的一种模型，但未明确记载处理器包含该网络。然而，对比文件的方法可使用卷积神经网络实现（如[0087]的学习网络模型），本领域技术人员有合理理由推断处理器可包括卷积神经网络。隐含公开。 |
| **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》 | 对比文件虽有学习网络模型（[0088]-[0090]），但其训练目的和输出并非第二拜耳数据。对比文件的超分辨率输出是RGB图像，且训练数据可能为RGB对。 | 对比文件没有教导卷积神经网络输出拜耳数据。即使使用贝叶斯输入，输出也为RGB（[0129]）。因此未公开。 |
| **G：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[0088]提及训练时使用第一样本数据（低分辨率）和第二样本数据（高分辨率），但未指定为拜耳数据；且输出去向不是图像信号处理器（ISP）。 | 对比文件既未公开训练集的拜耳格式，也未公开输出给ISP进行后续处理，故未公开。 |
| **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》 | 对比文件直接生成RGB高分辨率图像，没有提到ISP和去马赛克步骤。 | 对比文件无需去马赛克，因此未公开此特征。 |
| **I：其中，所述第二分辨率高于所述第一分辨率**<br>《直接公开》 | [0004]：“基于多个低分辨率图像…生成单一场面的高分辨率图像”。[0090]等均涉及提高分辨率。 | 对比文件明确从低分辨率图像生成高分辨率图像，第二分辨率高于第一分辨率直接公开。 |
| **J：其中，所述处理器包括：接收单元**<br>《隐含公开》 | [0014]的处理器接收数据；[0010]提到“接收低分辨率图像”。 | 处理器必然具有接收数据的接口或单元，虽未明确命名“接收单元”，但隐含公开其功能。 |
| **K：所述接收单元被配置成接收所述第一拜耳数据**<br>《隐含公开》 | [0010]：“接收低分辨率图像”。[0012]指定低分辨率图像可以是贝叶斯图像。 | 接收单元接收第一拜耳数据是自然推论，隐含公开。 |
| **L：卷积神经网络**<br>《隐含公开》 | 同特征E，[0088]、[0090]。 | 同特征E论述，隐含公开。 |
| **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。 | 同特征F，未公开。 |
| **N：其中，所述处理器生成第一阵列数据**<br>《隐含公开》 | [0093]：“贝叶斯低分辨率图像集的处理…down‑sampling factor 2s…处理像素组”。[0129]公式中按颜色通道c分别处理。 | 处理贝叶斯图像时，需要将像素按颜色通道（R、G、B）分离并形成通道数据，相当于生成第一阵列数据（按波长波段排列）。隐含公开。 |
| **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》 | 同特征N，[0093]及[0129]隐含分离颜色通道，每个通道对应一个波长波段。 | 对比文件处理贝叶斯图像时必须将不同颜色通道的数据分开，即针对每个波长波段布置拜耳数据。隐含公开。 |
| **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》 | [0004]及[0129]：基于分离的通道数据和选定滤波器计算高分辨率像素值，输出为多通道高分辨率数据（可视为第二阵列数据）。 | 从颜色通道数据生成高分辨率多通道数据，相当于基于第一阵列数据生成第二阵列数据。隐含公开。 |
| **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》 | [0004]明确从低分辨率到高分辨率，因此生成的不同分辨率阵列数据必然分辨率提高。 | 对比文件高分辨率输出与低分辨率输入分辨率不同，直接公开。 |
| **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》 | 对比文件基于高分辨率多通道数据直接合成RGB图像（[0129]后处理），并非合成拜耳数据。 | 对比文件未公开将高分辨率阵列数据重新排列成拜耳图案的步骤，故未公开。 |
| **S：其中，所述处理器包括:第一数据对齐单元**<br>《隐含公开》 | 对比文件没有明确“第一数据对齐单元”，但[0093]分离颜色通道的功能可视为由相应的数据对齐单元完成。 | 由于对比文件在逻辑上需要执行数据对齐以分离通道，本领域技术人员可推知存在对应单元。隐含公开。 |
| **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》 | 同特征S、N，隐含该单元生成按通道排列的数据。 | 同特征S论述，隐含公开。 |
| **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。 | 同特征O论述，隐含公开。 |
| **V：第二数据对齐单元**<br>《未公开》 | 对比文件没有将高分辨率数据重新排列成拜耳图案的单元或步骤。 | 对比文件最终输出RGB，无需将阵列数据排列回拜耳图案，因而未公开第二数据对齐单元。 |
| **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》 | 同特征V，无对应公开。 | 未公开。 |
| **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》 | 同特征V、W，无对应公开。 | 未公开。 |
**直接公开的技术特征代码**：<<<C>>><<<I>>><<<Q>>>
**隐含公开的技术特征代码**：<<<a>>><<<b>>><<<e>>><<<j>>><<<k>>><<<l>>><<<n>>><<<o>>><<<p>>><<<s>>><<<t>>><<<u>>>