DestripeCycleGAN：面向无监督红外图像去条纹的条纹模拟循环生成对抗网络
图像与视频处理
2024-02-15 v1 计算机视觉与模式识别
摘要
CycleGAN 已被证明是一种先进的非监督图像恢复方法。该框架包含两个生成器：一个用于推理的去噪生成器和一个用于建模噪声的辅助生成器，以满足循环一致性约束。然而，当应用于红外去条纹任务时，原始的辅助生成器在无监督约束下难以持续产生垂直噪声。这对循环一致性损失的有效性构成威胁，导致去噪图像中残留条纹噪声。为解决上述问题，我们提出了一种新颖的单帧红外图像去条纹框架，命名为 DestripeCycleGAN。在该模型中，传统的辅助生成器被替换为先验条纹生成模型（SGM），以在干净数据中引入垂直条纹噪声，并利用梯度图重建循环一致性。同时，设计了一个 Haar 小波背景引导模块（HBGM），以最小化不同域之间背景细节的差异。为了保护垂直边缘，我们提出了一种多级小波 U-Net（MWUNet）作为去噪生成器，它利用 Haar 小波变换作为采样器以减少方向信息损失。此外，它将组融合块（GFB）融入跳跃连接，以融合多尺度特征并构建长距离依赖的上下文。在真实和合成数据上的大量实验表明，我们的 DestripeCycleGAN 在视觉质量和定量评估方面均超越了最先进的方法。我们的代码将在 https://github.com/0wuji/DestripeCycleGAN 公开。
引用
@article{arxiv.2402.09101,
title = {DestripeCycleGAN: Stripe Simulation CycleGAN for Unsupervised Infrared Image Destriping},
author = {Shiqi Yang and Hanlin Qin and Shuai Yuan and Xiang Yan and Hossein Rahmani},
journal= {arXiv preprint arXiv:2402.09101},
year = {2024}
}