基于多尺度GAN和顺序图像的流消除光学成像的研究

科学领域:

• 光学成像技术的使用.
• 计算机视觉 计算机视觉 计算机视觉
• 人工智能的人工智能是人工智能.

背景情况:

• 大气动荡会导致光学图像中的几何扭曲和模糊.
• 这种退化限制了军事侦察和灾害监测等应用.
• 现有的方法难以处理动态扭曲和细节.

研究的目的:

• 开发一种新的生成对抗网络 (GAN),以有效地减轻大气动荡.
• 解决光学图像序列中的几何扭曲和空间模糊问题.
• 在动荡的环境中提高图像清晰度和细节保存.

主要方法:

• 拟议的MS-TS-GAN (多尺度时空GAN) 具有具有多尺度卷积结构的发电机.
• 集成了一个时空特征提取模块,用于动态扭曲校正.
• 使用基于VGG的区分器,并使用全球和本地对抗机制来确定忠诚度.

主要成果:

• MS-TS-GAN显著优于传统方法 (Wiener,反向过) 和其他GAN (TS-GAN,SF-GAN).
• 在模拟和真实数据上的峰值信号噪声比 (PSNR) 和结构相似度指数 (SSIM) 中取得了卓越的表现.
• 在 (EN) 和平均梯度 (AG) 中表现出显著的改进,表明提高了清晰度和稳定性.

结论:

• MS-TS-GAN有效地纠正大气流引起的几何扭曲和空间模糊.
• 拟议的网络提供了一种强大而高效的解决方案,用于在具有挑战性的环境中改进光学成像.
• 这项工作具有重要的理论和实践价值,可以克服当前光学成像系统的局限性.