对比文件名称：2020-09-15_US10776904B_发明授权_US10776904B2 Method and apparatus for processing image
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
本次调用的模型名称：大型语言模型
以下是根据目标专利权利要求的技术特征与对比文件进行的详细比对表格：
| 第一栏：技术特征描述及公开性判断结果 | 第二栏：对比文件原文引用（翻译成中文） | 第三栏：公开性论述 |
| **A：包括：图像传感器** （未公开） | 对比文件未提及“图像传感器”作为其装置的必要组成部分。 | 对比文件的主体是图像处理装置，其输入为已获取的低分辨率图像集合，并未包括或要求必须具有图像传感器。本领域技术人员无法从对比文件毫无疑义地得出装置包含图像传感器，也未隐含公开该结构。 |
| **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** （未公开） | 对比文件[0013]：“关于单个场景的多个低分辨率图像可以包括拜耳图像。” | 对比文件仅指出低分辨率图像可以是拜耳格式，但未说明该拜耳数据由装置内部的图像传感器生成，也未限定第一分辨率。不能直接或隐含公开图像传感器生成第一分辨率第一拜耳数据的配置。 |
| **C：处理器** （直接公开） | 对比文件[0016]：“一种用于处理图像的装置可以包括：至少一个处理器；以及存储器，存储一个或多个指令。” | 对比文件明确公开了处理器（至少一个处理器），属于直接公开。 |
| **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） | 对比文件[0081]：“高分辨率图像获取器104可以获得RGB高分辨率图像20”；[0123]输出为RGB图像像素（x_{i0+Δi,j0+Δj,Ch}）。 | 对比文件在从低分辨率拜耳图像获取高分辨率图像时，输出的是RGB图像，而非拜耳数据。处理器没有配置成输出第二拜耳数据，因此未公开。 |
| **E：其中，所述处理器包括卷积神经网络** （隐含公开） | 对比文件[0315]：“图像处理装置可以存储预先生成的学习网络模型820”；[0338]‑[0348]描述数据学习器包含模型学习器，可对学习网络模型进行训练。 | 对比文件未明确写出“卷积神经网络”，但本领域公知，“学习网络模型”在图像超分辨率领域通常包含卷积神经网络。结合对比文件关于模型训练和识别的描述，处理器可以包括卷积神经网络，属于隐含公开。 |
| **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** （未公开） | 对比文件[0317]‑[0320]描述学习网络模型用于确定滤波器集合，而非直接输出图像数据。 | 对比文件中的训练目的是选择与分数像素偏移对应的滤波器，从而获得高分辨率图像，并非直接训练卷积神经网络从第一拜耳数据输出第二拜耳数据。技术手段和目的均不同，未公开。 |
| **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，所述第二拜耳数据被输出至图像信号处理器** （未公开） | 对比文件[0317]提及训练数据来自从高分辨率图像通过变换和下采样获得的低分辨率图像，但未指定是拜耳数据，也未提及输出至图像信号处理器。 | 对比文件没有公开训练集由第一和第二拜耳数据组成，也没有公开第二拜耳数据被输出到图像信号处理器。因此未公开。 |
| **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** （未公开） | 对比文件全文未提及图像信号处理器（ISP）以及去马赛克操作。 | 对比文件的高分辨率图像获取器直接输出RGB图像，不经过拜耳数据→ISP→去马赛克的流程，故未公开该特征。 |
| **I：其中，所述第二分辨率高于所述第一分辨率** （直接公开） | 对比文件[0004]：“最小化图像数据损失并提高图像质量”；全文通篇描述从低分辨率图像获得高分辨率图像。 | 对比文件的核心目标就是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是直接公开的。 |
| **J：其中，所述处理器包括：接收单元** （隐含公开） | 对比文件[0082]：“移位估计器101可以接收关于单个场景的包括多个低分辨率图像的低分辨率图像集10。” | 处理器（至少一个处理器）执行接收低分辨率图像的功能，该功能对应于接收单元。虽然未命名为“接收单元”，但功能实质相同，属于隐含公开。 |
| **K：所述接收单元被配置成接收所述第一拜耳数据** （隐含公开） | 对比文件[0082]接收低分辨率图像集，且[0013]指出该图像集可包含拜耳图像，故接收单元可接收第一拜耳数据。 | 接收单元的功能是接收低分辨率图像集，而该图像集可以包括拜耳图像，因此可以接收第一拜耳数据。隐含公开。 |
| **L：卷积神经网络** （隐含公开） | 同特征E的论述。 | 同特征E，处理器可包括卷积神经网络（学习网络模型），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** （未公开） | 同特征F的论述。 | 同特征F，未公开卷积神经网络直接输出第二拜耳数据。 |
| **N：其中，所述处理器生成第一阵列数据** （直接公开） | 对比文件[0121]：“对应于输入低分辨率图像的原始拜耳图像510的像素被分离成单独的色通道G1 (520)、G2 (530)、R (540)和B (550)。” | 对比文件明确公开了将拜耳像素按颜色通道分离，形成多个阵列（每个通道一个阵列），这实质上就是生成第一阵列数据。作用是将拜耳数据按波长波段分类，与目标专利相同，故直接公开。 |
| **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** （直接公开） | 同N，分离成R、G1、G2、B通道，对应不同波长波段。 | 对比文件将拜耳图像像素根据颜色（波长）分配到不同的通道阵列，实现了针对每个波长波段布置，直接公开。 |
| **P：所述处理器基于所述第一阵列数据生成第二阵列数据** （直接公开） | 对比文件[0123]‑[0125]描述基于低分辨率色通道像素（第一阵列），通过滤波器权重计算高分辨率色通道像素（第二阵列），如公式(18)所示。 | 对比文件明确基于分离的颜色通道（第一阵列）和滤波器生成高分辨率颜色通道像素值，这些像素值构成高分辨率颜色通道阵列（第二阵列），分辨率不同。直接公开。 |
| **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** （直接公开） | 对比文件[0004]明确目标为获得高分辨率图像；输出图像尺寸大于输入低分辨率图像。 | 高分辨率颜色通道阵列的分辨率（如2s×2s）明显高于低分辨率颜色通道阵列（如s×s），直接公开分辨率不同。 |
| **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） | 对比文件[0123]输出RGB高分辨率图像，不是拜耳数据。 | 对比文件没有将高分辨率颜色通道阵列重新组合成拜耳格式的步骤，而是直接输出RGB图像，因此未生成第二拜耳数据。未公开。 |
| **S：其中，所述处理器包括:第一数据对齐单元** （隐含公开） | 对比文件[0121]将拜耳图像分离成色通道，该操作需要数据对齐（例如按颜色位置提取像素），可视为第一数据对齐单元的功能。 | 虽然对比文件未明确命名为“第一数据对齐单元”，但执行了将拜耳数据按颜色通道重新排列的实质功能，该功能单元隐含存在。属于隐含公开。 |
| **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** （隐含公开） | 同S，分离色通道即生成第一阵列数据。 | 第一数据对齐单元的功能生成第一阵列数据，对比文件中执行该功能的模块可对应，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** （隐含公开） | 同S、T的引用，色通道对应于波长波段。 | 第一数据对齐单元产生的阵列针对每个波长波段布置，对比文件隐含这一配置。 |
| **V：第二数据对齐单元** （隐含公开） | 对比文件[0161]：“将每个子行Z_{t,Δi,Δj}^{Ch}分成四个相同的连续部分...并将每个部分转换成矩阵”，该过程需要数据对齐以形成高分辨率色通道阵列。 | 对比文件在生成高分辨率图像时存在类似数据对齐的步骤，虽未命名“第二数据对齐单元”，但其功能单元隐含存在。 |
| **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） | 对比文件未生成第二拜耳数据。 | 对比文件未公开第二数据对齐单元生成第二拜耳数据，因为输出是RGB而非拜耳。 |
| **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） | 对比文件未涉及以拜耳图案布置数据。 | 对比文件没有将高分辨率数据重新排列成拜耳图案，直接输出RGB，未公开该特征。 |
根据上述比对，直接公开的技术特征有：C、I、N、O、P、Q；隐含公开的技术特征有：E、J、K、L、S、T、U、V。其余技术特征未公开。
输出代码（仅公开的特征，直接公开大写，隐含公开小写）：
<<<C>>><<<I>>><<<N>>><<<O>>><<<P>>><<<Q>>><<<e>>><<<j>>><<<k>>><<<l>>><<<s>>><<<t>>><<<u>>><<<v>>>