CLEAR-IR：红外图像的清晰度增强主动重建
机器人学
2026-03-02 v2 计算机视觉与模式识别
机器学习
摘要
本文提出一种新方法，使机器人在暗环境中能够利用红外 (IR) 流实现可靠感知。红外流比在低光条件下受 RGB 信号更不易受噪声影响。然而，红外流被主动发射器模式主导，这些模式阻碍了目标检测、跟踪和定位等高层次任务。为此提出受 DeepMAO（Deep Multi-scale Aware Overcomplete）启发的架构，用于从带发射器图案的输入重建干净的红外图像，提高图像质量和下游机器人性能。该方法超越了现有增强技术，使视觉驱动的机器人系统在从明亮到极端低光场景的照明条件下均能可靠运行。结果表明，该工作能够模拟场景的 RGB 风格，其在训练基于 RGB 图像的机器人任务上的适用性，开启了在无灯光条件下完成此类任务的可能性。
引用
@article{arxiv.2510.04883,
title = {CLEAR-IR: Clarity-Enhanced Active Reconstruction of Infrared Imagery},
author = {Nathan Shankar and Pawel Ladosz and Hujun Yin},
journal= {arXiv preprint arXiv:2510.04883},
year = {2026}
}
备注
8 pages, 6 figures, 2 tables