基于退化参数辅助宽深学习的红外图像去湍流复原
计算机视觉与模式识别
2025-05-07 v2 图像与视频处理
摘要
湍流条件下捕获的红外图像因复杂几何畸变与模糊而退化。我们将红外去湍流作为图像复原任务，提出DparNet，一种具有宽深架构的参数辅助多帧网络。DparNet直接从退化图像中学习退化先验（关键参数矩阵），无需外部知识。其宽深架构利用这些学习到的参数直接调制复原过程，实现空间与强度自适应的结果。在专用红外去湍流（49,744张图像）与可见光图像去噪（109,536张图像）数据集上的评估表明，DparNet在复原性能与效率上显著优于最先进（SOTA）方法。值得注意的是，利用这些参数使PSNR提升0.6–1.1 dB，而模型参数与计算复杂度增加不到2%。我们的工作表明，退化图像隐藏了关键的退化信息，可被学习并用于提升自适应图像复原。
引用
@article{arxiv.2305.18708,
title = {Infrared Image Deturbulence Restoration Using Degradation Parameter-Assisted Wide & Deep Learning},
author = {Yi Lu and Yadong Wang and Xingbo Jiang and Xiangzhi Bai},
journal= {arXiv preprint arXiv:2305.18708},
year = {2025}
}