基于边缘引导的对抗条件扩散模型的热态数据生成方案

在困难的低光照和恶劣天气条件下，热成像算法（特别是目标检测）显示出巨大的潜力，这与可见光算法常常难以应对的情形形成鲜明对比。然而，驱动热成像算法的深度学习模型，其效果受限于可获得训练数据样本的稀缺。为此，本文提出了一种新方法，称为边缘引导条件扩散模型 (edge guided conditional diffusion model)。该框架旨在利用从可见图像中提取的边缘信息，在像素级别精准地生成与热图匹配的伪热图。通过将边缘作为可见域的上下文线索，扩散模型能够对生成图像中物体的描绘实现精细控制。为缓解那些本应不出现在热成像域中的可见特定边缘信息的影响，提出了两种阶段的对抗性训练策略，通过区分可见域和热成像模态来过滤这些信息。在 LLVIP 数据集上进行的广泛实验表明，ECDM 在图像生成质量方面优于现有方法。