10.3969/j.issn.1672-8785.2023.06.004
基于无监督学习的单样本红外图像生成方法
针对当前可见光-红外图像数据集匮乏导致的模型特征学习能力不够以及生成图像质量低下等问题,提出了单样本的无监督学习方法来训练红外图像生成模型.首先,在数据集难以获取、匮乏的情况下,仅采用一对可见光-红外图像作为模型训练的数据,降低了数据获取的难度,解决了数据匮乏的问题.其次,为了在训练模型时充分提取图像特征,改进了网络结构.实验数据表明,本文方法能够在单样本图像生成中取得较好的效果.在艾睿光电数据集中,本文方法的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)与结构相似性(Structural Similarity,SSIM)指标分别达到了 26.5588 dB和 0.8846;在俄亥俄州立大学(O-hio State University,OSU)数据集上的PSNR和SSIM分别达到了 30.3528 dB和0.9182.与基于风格的生成对抗网络(Style-based Generative Adversarial Net-work,StyleGAN)方法相比,本文方法在艾睿光电数据集上的PSNR和SSIM指标分别提高了 16.07%和 23.78%;在OSU数据集上的PSNR和SSIM指标分别提高了 31.8%和 40.4%.结果表明,本文方法在当前图像质量评价指标方面有较为明显的提高,生成的红外图像纹理细节丰富且接近于真实红外图像.该研究对于今后的红外图像生成技术优化具有一定的参考意义.
无监督学习、红外图像生成、AdaIN归一化模块、少样本数据
44
TP391(计算技术、计算机技术)
装备预研重点项目41401040105
2023-06-30(万方平台首次上网日期,不代表论文的发表时间)
共8页
19-26