对于现实世界热图像超分辨率的频率感知降解建模.
Chao Qu1, Xiaoyu Chen1, Qihan Xu1
1Jiangsu Key Laboratory of Spectral Imaging and Intelligent Sense, Nanjing University of Science and Technology, Nanjing 210094, China.
Entropy (Basel, Switzerland)
|March 28, 2024
概括
本研究引入了用于热图像的无监督超分辨率 (SR) 框架. 新的频率感知降解模型 (TFADGAN) 在真实世界的热数据上提高了SR性能.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 机器学习 机器学习
背景情况:
- 超分辨率 (SR) 方法由于简单的降解假设,与现实世界的热图像作斗争.
- 现有的SR技术对于复杂的热图像特征缺乏一般化.
研究的目的:
- 开发一个无监督的SR框架,以提高现实世界的热图像分辨率.
- 解决热成像中监督SR方法的泛化局限性.
主要方法:
- 为热图像提出了一个频率感知降解模型 (TFADGAN).
- 使用未配对的低分辨率 (LR) 热图像来模拟降解的对抗性学习.
- 开发了一个由TFADGAN生成的伪配对数据训练的SR模型.
主要成果:
- 在不同的图像频率下,TFADGAN有效地模拟复杂的降解过程.
- 生成的退化图像在细节和对比度上与现实世界LR热图像非常相似.
- 无监督的SR框架在现实世界热图像上提高了PSNR1.28dB和SSIM0.02.
结论:
- 拟议的TFADGAN提供了一种可靠的方法来模拟LR热图像.
- 无监督的SR框架显著提高了SR性能,用于现实世界的热场景.
- 这种方法为改善热图像分辨率而没有配对数据提供了一个实际的解决方案.


