ASCNet：用于红外图像去条纹的非对称采样校正网络
计算机视觉与模式识别
2025-01-27 v3
摘要
在真实世界的红外成像系统中，有效学习一个一致的条纹噪声去除模型至关重要。由于跨层级语义差距和全局列特征表征不足，现有大多数去条纹方法无法精确重建图像。为了解决这个问题，我们提出了一种新颖的红外图像去条纹方法，称为非对称采样校正网络（ASCNet），它能够有效捕获全局列关系并将其嵌入到U形框架中，提供全面的判别性表示和无缝的语义连接。我们的ASCNet由三个核心元素组成：残差哈尔离散小波变换（RHDWT）、像素重组（PS）和列非均匀性校正模块（CNCM）。具体来说，RHDWT是一种新颖的下采样器，它采用双分支建模来有效整合条纹方向的先验知识和数据驱动的语义交互，以丰富特征表示。观察到条纹噪声的语义模式串扰，引入PS作为上采样器，以防止过多的先验解码并执行无语义偏差的图像重建。在每次采样之后，CNCM捕获长距离依赖中的列关系。通过整合列、空间和自依赖信息，CNCM很好地建立了全局上下文，以区分条纹与场景的垂直结构。在合成数据、真实数据和红外小目标检测任务上的大量实验表明，所提出的方法在视觉和定量指标上均优于最先进的单图像去条纹方法。我们的代码将在https://github.com/xdFai/ASCNet上公开。
引用
@article{arxiv.2401.15578,
title = {ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping},
author = {Shuai Yuan and Hanlin Qin and Xiang Yan and Shiqi Yang and Shuowen Yang and Naveed Akhtar and Huixin Zhou},
journal= {arXiv preprint arXiv:2401.15578},
year = {2025}
}