低光稀疏极化解化网络 (LLSPD-Net):基于低光环境中的斯托克斯向量完成的极化图像解化
Guangqiu Chen1, Youfei Hao1, Jin Duan1,2
1Electronics and Information Engineering Institute, Changchun University of Science and Technology, Changchun 130022, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究引入了一个新的网络 (LLSPD-Net) 用于在低光下进行偏振成像. 它增强了图像并补充了极化数据,优于传统方法以获得更清晰的极化图像.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 图像处理 图像处理
背景情况:
- 极化成像对于自动驾驶等应用至关重要,但由于光子数量低和传统传感器的局限性,在低光条件下受损.
- 传统的拆解方法在低光偏光成像中与噪音和扭曲作斗争,需要改进的技术.
研究的目的:
- 提出一个新的网络,即低光稀疏极化解化网络 (LLSPD-Net),用于在低光条件下模拟和处理极化图像.
- 开发一个偏振解粉碎方法,通过使用由增强强度图像引导的斯托克斯向量补充来避免传统的插值.
主要方法:
- 该LLSPD-Net包括一个强度图像增强网络和一个Stokes向量补充网络.
- 强度增强网络从低光输入生成高质量的RGB图像.
- 一种新的两极分化拆分方法使用增强的图像来指导斯托克斯向量完成,取代了传统的插值.
主要成果:
- 拟议的LLSPD-Net有效地增强了低光极化图像,并进行了demosaice.
- 对自建和公共数据集的实验表明,与最先进的方法相比,性能优越.
- 该方法在低光偏振图像处理的定性和定量评估中显示出显著的改进.
结论:
- 在低光环境中,LLSPD-Net为极化成像提供了强大的解决方案.
- 这种新的斯托克斯向量补充方法克服了传统极化解化的局限性.
- 这项工作推动了极化成像领域的发展,在具有挑战性的照明条件下实现了更好的性能.
