面向热光谱分布正则化的 Contourlet 精细化门控红外图像超分辨率框架

图像超分辨率是一个经典且仍活跃的低级视觉问题，旨在从低分辨率图像重建高分辨率图像，是图像增强的关键技术。当前解决 SR 任务的方法，如基于 Transformer 和基于扩散的方法，要么专门提取 RGB 图像特征，要么假设相似的退化模式，忽略了红外与可见光图像之间固有的模态差异。将这些方法直接应用于红外图像 SR 任务时，不可避免地会扭曲红外光谱分布，从而损害下游任务中的机器感知。在本工作中，我们强调红外光谱分布保真度，并提出一个 Contourlet 精细化门控框架，以在保持光谱分布保真度的同时恢复红外模态特定特征。该方法从多尺度和多方向红外光谱分解中捕获高通子带，通过门控架构恢复红外退化信息。所提出的 Spectral Fidelity Loss 在重建过程中对光谱频率分布进行正则化，确保高频和低频分量的保留，并维持红外特定特征的保真度。我们提出一种两阶段 prompt-learning 优化，以引导模型从 LR 退化中学习红外 HR 特征。大量实验表明，我们的方法在视觉和感知任务中均优于现有图像 SR 模型，同时显著增强了下游任务中的机器感知。我们的代码可在 https://github.com/hey-it-s-me/CoRPLE 获取。