对比文件名称：2006-12-12_US7149262B_发明授权_US07149262B1 Method and apparatus for enhancing data resolution
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
本次调用模型名称：当前AI模型（基于深度神经网络的语言模型）
### 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（中文翻译） | 公开性论述 |
| 技术特征A：包括：图像传感器<br>《直接公开》 | **[0066]** “第一组数据102，可以是例如原始图像，从检测器阵列104接收。”<br>此外，全文多处提及“图像传感器”（image detector/sensor）、“检测器阵列”（detector array），如 **[0098]** “SVE检测器”等。 | 对比文件明确描述了用于捕获图像数据的检测器阵列（图像传感器），该传感器是相机系统执行图像分辨率增强的基础部件。因此直接公开了“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>《直接公开》 | **[0105]** “更流行的一种马赛克，通常称为拜耳马赛克……拜耳马赛克将绿色像素的相对空间分辨率设置为50％，红色和蓝色像素设置为25％。”<br> **[0107]** “让测量的SVC数据（例如，由拜耳CCD捕获的数据）由M表示。” | 对比文件不仅公开了拜耳马赛克（Bayer mosaic）这种彩色滤波阵列，还明确指出由拜耳CCD捕获的数据即为拜耳数据（SVC data）。该数据具有有限的分辨率（如图像传感器规格对应的第一分辨率）。因此直接公开了图像传感器生成具有第一分辨率的第一拜耳数据。 |
| 技术特征C：处理器<br>《直接公开》 | **[0166]-[0167]** “计算机系统包括处理部分3210……处理部分3210包括处理单元3310、控制逻辑3320和存储器单元3330。”<br> **[0072]** “模型106可以包括网络306……网络306处理第一组数据102，从而生成第二组数据108。” | 对比文件详细描述了执行图像/数据处理的计算系统，包括处理单元（处理器），该处理器用于运行分辨率增强算法。因此直接公开了“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>《隐含公开》 | **[0065]** “优化的映射使得能够计算出位于原始数据位置之间的增强质量数据估计，从而实现图像或图像序列的空间或时间分辨率的增强。”<br> **[0063]** “需要处理传入图像数据，以生成更准确和/或更精确地表示场景的高分辨率数据。” | 对比文件公开了使用模型处理第一拜耳数据（低质量数据）以生成具有更高分辨率的数据。虽然其具体实施例多输出RGB或亮度图像，但其方法本身并不限制输出数据的格式；本领域技术人员在阅读对比文件后，可以合理推断出可以训练模型直接输出拜耳格式的高分辨率数据（第二拜耳数据），因为拜耳数据也是一种常见的传感器输出格式，且对比文件强调任何数据分辨率的增强。因此该特征被隐含公开。 |
| 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》 | **[0072]** “模型106可以包括网络306……网络306可以包括例如马尔可夫网络、贝叶斯网络和/或神经网络——这些都是众所周知的。”<br> **[0072]** “如果要实现为贝叶斯或神经网络，其参数可以使用各种众所周知的方法如反向传播算法来估计。” | 对比文件明确将神经网络列为一种可选的模型实现方式。卷积神经网络（CNN）是神经网络的一个重要子类，尤其在图像处理中广泛应用；本领域技术人员在得知对比文件使用神经网络进行分辨率增强时，自然会考虑并能够使用包含卷积架构的神经网络（CNN）来实现。因此该特征被隐含公开。 |
| 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》 | **[0068]** “通过将高质量数据（例如高分辨率图像数据）的样本与从高质量数据计算得到的低质量数据样本进行比较来‘学习’映射函数。”<br> **[0072]** “如果该函数要实现为贝叶斯或神经网络，其参数可以使用后向传播算法来估计。” | 结合对特征D和特征E的论述，对比文件教导了通过学习（训练）的方式获得一个从低质量数据到高质量数据的映射模型（包括神经网络），且该模型可以输入拜耳数据输出高分辨率数据。因此，使用经过训练的卷积神经网络从第一拜耳数据输出第二拜耳数据被隐含公开。 |
| 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；并且中，所述第二拜耳数据被输出至图像信号处理器<br>《未公开》 | **[0068]** 训练集：高质量数据（例如高分辨率图像数据）和从高质量数据降级得到的低质量数据。<br> **[0107]** 在SVC实施例中，训练集为高质量RGB图像（H）和模拟的拜耳马赛克图像（M，低质量拜耳数据）。<br>全文未明确提及将第二拜耳数据输出至图像信号处理器（ISP）。 | 对比文件训练所使用的目标数据（高质量数据）是RGB图像（或其他高质量图像格式），而不是“第二拜耳数据”。其方法直接输出RGB，而非拜耳。也没有任何描述涉及将拜耳数据输出给后续的图像信号处理器。因此，该特征的两个方面均未被公开或隐含公开。 |
| 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>《未公开》 | **[0106]** “使用局部函数，拜耳马赛克输入可以映射到高质量RGB图像。”<br> **[0119]** 重建阶段：利用学习到的系数从SVC图像计算高质量RGB图像，该过程即为“去马赛克”（demosaicing）。 | 对比文件通过映射函数直接从拜耳马赛克生成RGB图像，其本身并未将RGB生成过程划分为先超分辨率到拜耳再由ISP去马赛克两个阶段。此外，对比文件未公开“第二拜耳数据”输出至图像信号处理器并由其执行去马赛克的配置。因此该特征未公开。 |
| 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》 | **[0064]** “更高分辨率的数据集通常比对应的较低分辨率数据集包含更多信息。”<br> **[0065]** “优化的映射使得……实现空间或时间分辨率的增强。” | 对比文件全文的核心就是提高数据的分辨率，明确说明从低分辨率数据生成高分辨率数据。因此直接公开了第二分辨率高于第一分辨率。 |
| 技术特征J：其中，所述处理器包括：接收单元<br>《隐含公开》 | **[0167]** “处理部分3210可以包括输入/输出端口3340，用于接收数据和处理结果。”<br> **[0066]** “第一组数据102被接收……从检测器阵列104。” | 对比文件中的处理系统必然包含用于接收输入数据的接口或单元（如I/O端口），该单元可被视为处理器的一部分，用于接收外部数据（包括拜耳数据）。因此隐含公开了处理器包括接收单元。 |
| 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》 | **[0107]** “让测量的SVC数据（例如，由拜耳CCD捕获的数据）由M表示。”<br> **[0066]** “第一组数据102……被接收……数据102可以包括第一和第二数据122和124。” | 对比文件明确指出处理器接收的输入数据即为拜耳CCD输出的拜耳数据（SVC数据M）。因此接收单元接收第一拜耳数据被直接公开。 |
| 技术特征L：卷积神经网络<br>《隐含公开》 | 同特征E引用， **[0072]** 提及神经网络。 | 同特征E，神经网络包括卷积神经网络，因此该特征被隐含公开。 |
| 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D和特征E的引用。 | 同特征F，组合了使用卷积神经网络从第一拜耳数据输出第二拜耳数据的配置，被隐含公开。 |
| 技术特征N：其中，所述处理器生成第一阵列数据<br>《未公开》 | 全文未明确描述“生成第一阵列数据”这一步骤。对比文件的方法中，输入拜耳马赛克数据直接以原始邻域形式（Ap）输入模型，没有先分离颜色通道重新排列成阵列数据。 | 目标专利中的“第一阵列数据”指按波长波段（颜色）分离并排列的数据。对比文件直接在拜耳马赛克邻域上应用多项式映射或神经网络，没有进行颜色分离并排列成独立阵列的操作。该特征未被公开或隐含。 |
| 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》 | 同特征N。 | 对比文件未将拜耳数据按波长波段（颜色）重新布置成阵列，而是保持马赛克模式。该特征未公开。 |
| 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》 | 全文未描述基于第一阵列数据生成第二阵列数据的过程。对比文件的模型直接对输入马赛克邻域处理生成输出值（RGB或亮度），未经过阵列中间步骤。 | 对比文件没有生成与颜色分离阵列对应的任何中间第二阵列数据。其映射函数直接建立在马赛克像素值上。因此该特征未公开。 |
| 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》 | 同特征P。 | 由于特征P未公开，此关联特征也未公开。 |
| 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》 | 全文未描述从第二阵列数据生成第二拜耳数据的步骤。对比文件直接输出RGB图像，不输出拜耳格式数据。 | 目标专利中第二拜耳数据是通过将深度学习的输出（第二阵列数据）重新排列成拜耳图案获得的。对比文件没有对应的操作，也未输出拜耳数据。因此该特征未公开。 |
| 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》 | 全文未提及“第一数据对齐单元”或类似功能的专门单元。 | 对比文件模型直接处理输入邻域，没有专门单元进行颜色通道对齐/分离。该特征未公开。 |
| 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》 | 同特征N、S。 | 对比文件没有设置此类单元及其功能，因此未公开。 |
| 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。 | 对比文件没有按波长波段布置拜耳数据的操作，因此未公开。 |
| 技术特征V：第二数据对齐单元<br>《未公开》 | 全文未提及“第二数据对齐单元”或类似功能的专门单元。 | 对比文件没有将深度学习输出重组为拜耳图案的专门单元，其输出直接是RGB，不需要此单元。因此未公开。 |
| 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》 | 同特征V、R。 | 对比文件没有生成第二拜耳数据的操作和相应单元，因此未公开。 |
| 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》 | 同特征W、R。 | 对比文件未公开以拜耳图案布置阵列数据生成第二拜耳数据的过程或结果。因此未公开。 |
<<<A>>><<<B>>><<<C>>><<<d>>><<<e>>><<<f>>><<<I>>><<<j>>><<<K>>><<<l>>><<<m>>>