本次调用的模型为大型语言模型（GPT-4）。
对比文件名称：2019-04-11_US2019108618A_发明申请_US20190108618A1 IMAGE SIGNAL PROCESSOR FOR PROCESSING IMAGES
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
以下是根据目标专利技术特征逐项比对的特征比对表格。
| 技术特征描述及公开性判断 | 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《直接公开》 | [0052] "the image sensor 202 can include an array of photodiodes that can capture a frame 204 of raw image data." 中文：图像传感器202可以包括能够捕获原始图像数据帧204的光电二极管阵列。 | 对比文件明确记载了图像传感器（image sensor 202），其用于捕获原始图像数据，与目标专利中的图像传感器作用相同，均为图像采集部件。本领域技术人员能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《直接公开》 | [0004] "a sensor with a Bayer pattern color filter array … can be used to capture raw image data with a single color per pixel location." 中文：具有拜耳图案滤色器阵列的传感器可用于捕获每个像素位置具有单一颜色的原始图像数据。[0052]进一步指出帧204具有固有分辨率。 | 对比文件公开了图像传感器使用拜耳图案生成原始图像数据（raw image data），该数据即为拜耳数据，且传感器具有特定的第一分辨率。因此本领域技术人员能直接确定该特征被公开。 |
| 技术特征C：处理器《直接公开》 | [0004] "the machine learning ISP can use a neural network of convolutional filters（e.g., convolutional neural networks (CNNs))." 中文：机器学习ISP可以使用卷积滤波器神经网络（例如CNN）。图2中的ISP 200即为执行图像处理的处理器。 | 对比文件中的machine learning ISP 200相当于目标专利中的处理器，用于处理图像数据。因此直接公开。 |
| 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《未公开》 | [0059] "the neural network system 203 can generate an RGB output 208 based on the raw image patch 206." 中文：神经网络系统203可以基于原始图像块206生成RGB输出208。 | 对比文件的处理器（神经网络系统203）输出的是RGB图像，而非拜耳数据，且输出分辨率（8×8）低于输入分辨率（128×128），与目标专利中输出第二拜耳数据且分辨率不同（通常更高）的要求不符。因此未公开。 |
| 技术特征E：其中，所述处理器包括卷积神经网络《直接公开》 | [0004] "the machine learning ISP can use a neural network of convolutional filters（e.g., convolutional neural networks (CNNs))." 中文：机器学习ISP可以使用卷积滤波器神经网络（例如CNN）。 | 对比文件明确提及处理器（machine learning ISP）包含卷积神经网络（CNN），因此直接公开。 |
| 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《未公开》 | [0064] "the training data includes raw image data inputs 406 and reference output images 411." 中文：训练数据包括原始图像数据输入406和参考输出图像411。 | 对比文件中的CNN训练目标是输出参考输出图像（RGB图像），而非拜耳数据，且未涉及第二分辨率高于第一分辨率的超分辨率训练。因此未公开。 |
| 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《未公开》 | [0064]训练数据仅为raw image data inputs和reference output images；[0059]输出为RGB，无拜耳数据输出至后续ISP。 | 对比文件训练集没有使用拜耳数据作为输出目标，且最终输出直接是RGB图像，不存在拜耳数据输出至独立图像信号处理器的步骤。因此未公开。 |
| 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《未公开》 | [0050]传统ISP包含demosaicing block；但机器学习ISP直接生成RGB，无需独立去马赛克步骤。 | 对比文件的机器学习ISP直接输出RGB图像，未设置从拜耳数据经过独立图像信号处理器进行去马赛克的流程。传统ISP虽在背景中提及但不属于本发明实施方式。因此未公开。 |
| 技术特征I：其中，所述第二分辨率高于所述第一分辨率《未公开》 | [0059] "application of the repetitive convolutional filters … causes the RGB output 208 to include an 8×8 array of pixels"（从128×128输入）。中文：应用重复卷积滤波器导致RGB输出包含8×8像素阵列（输入128×128）。 | 对比文件的输出分辨率（8×8）远低于输入分辨率（128×128），即分辨率降低，而非提高。因此未公开与目标专利相反的方向。 |
| 技术特征J：其中，所述处理器包括：接收单元《直接公开》 | [0052] "input interface 201 that can receive raw image data from an image sensor 202." 中文：输入接口201可从图像传感器202接收原始图像数据。 | 对比文件的input interface 201相当于接收单元，用于接收图像传感器输出的数据，因此直接公开。 |
| 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《直接公开》 | [0052] input interface接收raw image data，且[0004]表明该raw image data可来自拜耳图案传感器，即第一拜耳数据。 | 接收单元（输入接口）接收的原始图像数据包含拜耳图案信息，即第一拜耳数据，因此直接公开。 |
| 技术特征L：卷积神经网络《直接公开》 | [0004]等重复强调使用CNN，同特征E。 | 对比文件明确公开了卷积神经网络，因此直接公开。 |
| 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《未公开》 | 同特征F，输出为RGB。 | 对比文件卷积神经网络输出RGB，非拜耳数据，且分辨率降低，未公开该特征。 |
| 技术特征N：其中，所述处理器生成第一阵列数据《未公开》 | 对比文件未出现“第一阵列数据”术语，图7的11维输入是多维阵列，但它是直接由输入接口提供的，并非由处理器生成。 | 目标专利中第一阵列数据是从拜耳数据通过第一数据对齐单元生成的中间阵列。对比文件没有描述类似的生成步骤，尽管输入数据本身具有多维性，但缺乏“生成”动作的具体教导。因此未公开。 |
| 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《未公开》 | 图7显示输入维度包含R、G1、G2、B四个颜色维度，但这是输入数据的预设格式，而非处理器针对每个波长波段进行布置的过程。 | 对比文件虽然输入数据具有颜色分离的结构，但未公开该布置是由处理器（通过数据对齐单元）对第一拜耳数据执行得到。因此未公开。 |
| 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《隐含公开》 | [0082]-[0093]及图6：基于输入raw image patch（可视为第一阵列数据），CNN1、CNN2等生成不同分辨率的特征图（第二阵列数据）。例如，CNN1生成64个16×16特征图。 | 对比文件明确描述了处理器（神经网络系统）基于输入数据（第一阵列数据）通过卷积操作生成新的特征图（第二阵列数据），这些特征图具有与输入不同的空间维度。本领域技术人员可合理推断该特征被隐含公开。 |
| 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《隐含公开》 | 图6及[0087]-[0093]：strided CNN1输出1/64分辨率特征图，CNN2输出1/16分辨率特征图，与输入128×128分辨率不同。 | 对比文件多处强调不同层产生不同分辨率的特征图，例如16×16、32×32、8×8等，分辨率明显低于输入的第一阵列数据（128×128或64×64等）。因此隐含公开了第二阵列数据分辨率不同的特征。 |
| 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《未公开》 | [0059]最终输出RGB patch，非拜耳数据；[0100] CNN7生成RGB输出。 | 对比文件基于特征图（第二阵列数据）最终生成的是RGB图像，而不是拜耳数据。因此未公开该特征。 |
| 技术特征S：其中，所述处理器包括:第一数据对齐单元《未公开》 | 对比文件未提及“数据对齐单元”这一组件。 | 目标专利的第一数据对齐单元专门用于从行缓存器数据生成第一阵列数据，对比文件中没有对应的专属单元，也未公开类似功能部件。因此未公开。 |
| 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《未公开》 | 同上，无对应单元。 | 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《未公开》 | 同特征O，但此处明确指向第一数据对齐单元的功能。 | 对比文件无第一数据对齐单元，更未公开其具体布置方法。因此未公开。 |
| 技术特征V：第二数据对齐单元《未公开》 | 对比文件未提及。 | 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《未公开》 | 对比文件无此单元。 | 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《未公开》 | 对比文件最终输出RGB，不是拜耳图案数据；无类似布置步骤。 | 未公开。 |
根据上述比对，对比文件直接公开了技术特征A、B、C、E、J、K、L；隐含公开了技术特征P、Q。其余技术特征未被直接或隐含公开。
相应代码插入如下。
<<<A>>><<<B>>><<<C>>><<<E>>><<<J>>><<<K>>><<<L>>><<<p>>><<<q>>>