基于循环生成对抗网络的单个像素成像的图像拒绝,具有注意力机制

科学领域:

• 图像处理 图像处理
• 计算成像技术的成像
• 人工智能的人工智能

背景情况:

• 单像素成像 (SPI) 依赖于数学模型和算法,但容易受到图像质量退化的影响.
• 环境噪音,单光子检测和采样不足加剧了SPI中的图像质量损失.

研究的目的:

• 为单像素成像引入有效的无色化方法.
• 在杂的环境中增强深度学习网络的功能提取能力.

主要方法:

• 集成一个高效的注意力模块与CycleGAN架构,称为EA-CycleGAN.
• 应用EA-CycleGAN用于在具有挑战性的单像素成像条件下获取的图像.

主要成果:

• 与传统的CycleGAN相比,EA-CycleGAN方法显示出更优异的脱光性能.
• 与高斯过,非局部方法和BM3D方法相比,观察到图像质量的显著改善.
• 拟议的方法在不同的成像场景中显示出强大的概括能力.

结论:

• EA-CycleGAN有效地解决了单像素成像中的噪音问题.
• 这种方法大大提高了单像素成像的质量和可靠性.
• 有效的注意力机制在高噪音条件下提高了网络性能.