基于散斑训练的去噪卷积神经网络鬼成像
图像与视频处理
2021-04-08 v1 计算机视觉与模式识别
摘要
鬼成像（GI）因其无透镜成像能力、抗湍流成像和高探测灵敏度而逐渐受到关注。然而，低成像质量和慢成像速度限制了GI的应用进程。本文提出一种基于去噪卷积神经网络（DnCNN）的改进GI方法。受DnCNN中输入（噪声图像）与输出（残差图像）之间对应关系的启发，我们通过训练构建GI中散斑序列与相应噪声分布之间的映射。随后，采用相同散斑序列照射未知目标，即可获得去噪目标图像。所提方法可视为一种通用的GI方法。在两种采样率下，我们在三个数据集上与传统GI方法（基础关联与压缩感知）及DnCNN方法进行了广泛对比实验。此外，我们搭建了物理GI实验系统以验证所提方法。结果表明该方法取得了令人满意的性能。
引用
@article{arxiv.2104.02873,
title = {Speckles-Training-Based Denoising Convolutional Neural Network Ghost Imaging},
author = {Yuchen He and Sihong Duan and Jianxing Li and Hui Chen and Huaibin Zheng and Jianbin Liu and Shitao Zhu and Zhuo Xu},
journal= {arXiv preprint arXiv:2104.02873},
year = {2021}
}