Método de Red Generativa Antagónica Ciega de Desenfoque por Fusión Multi-Escala Adaptativa para Afilado de Datos de Imagen
Autores: Zhu, Baoyu; Lv, Qunbo; Tan, Zheng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Método de Red Generativa Antagónica Ciega de Desenfoque por Fusión Multi-Escala Adaptativa para Afilado de Datos de Imagen
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Drone
Teledetección aérea
Desenfoque de imágenes
Algoritmos de deblurring de CNN
Fusión multiescala
Niveles de desenfoque de imágenes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Las imágenes de drones y de teledetección aérea se utilizan ampliamente, pero su entorno de imagen es complejo y propenso a la borrosidad. Los algoritmos de deconvolución basados en CNN existentes suelen utilizar fusión multiescala para extraer características con el fin de aprovechar al máximo la información de las imágenes aéreas borrosas, pero las imágenes con diferentes grados de borrosidad utilizan los mismos pesos, lo que lleva a un aumento de errores en el proceso de fusión de características capa por capa. Basado en las propiedades físicas de la borrosidad de la imagen, este artículo propone una red generativa adversarial ciega de deconvolución de fusión multiescala adaptativa (AMD-GAN), que aplica de manera innovadora el grado de borrosidad de la imagen para guiar el ajuste de los pesos de la fusión multiescala, suprimiendo efectivamente los errores en el proceso de fusión multiescala y mejorando la interpretabilidad de la capa de características. El trabajo de investigación en este artículo revela la necesidad y efectividad de la información a priori sobre los niveles de borrosidad de la imagen en las tareas de deconvolución de imágenes. Al estudiar y explorar los niveles de borrosidad de la imagen, el modelo de red se centra más en las características físicas básicas de la borrosidad de la imagen. Mientras tanto, este artículo propone un modelo de descripción del grado de borrosidad de la imagen, que puede representar efectivamente el grado de borrosidad de las imágenes de teledetección aérea. Los experimentos de comparación muestran que el algoritmo en este artículo puede recuperar efectivamente imágenes con diferentes grados de borrosidad, obtener imágenes de alta calidad con detalles de textura claros, superar el algoritmo de comparación tanto en evaluación cualitativa como cuantitativa, y puede mejorar efectivamente el rendimiento de detección de objetos de imágenes aéreas borrosas. Además, el PSNR promedio del algoritmo de este artículo probado en el conjunto de datos disponible públicamente RealBlur-R alcanzó 41.02 dB, superando el último algoritmo SOTA.
Descripción
Las imágenes de drones y de teledetección aérea se utilizan ampliamente, pero su entorno de imagen es complejo y propenso a la borrosidad. Los algoritmos de deconvolución basados en CNN existentes suelen utilizar fusión multiescala para extraer características con el fin de aprovechar al máximo la información de las imágenes aéreas borrosas, pero las imágenes con diferentes grados de borrosidad utilizan los mismos pesos, lo que lleva a un aumento de errores en el proceso de fusión de características capa por capa. Basado en las propiedades físicas de la borrosidad de la imagen, este artículo propone una red generativa adversarial ciega de deconvolución de fusión multiescala adaptativa (AMD-GAN), que aplica de manera innovadora el grado de borrosidad de la imagen para guiar el ajuste de los pesos de la fusión multiescala, suprimiendo efectivamente los errores en el proceso de fusión multiescala y mejorando la interpretabilidad de la capa de características. El trabajo de investigación en este artículo revela la necesidad y efectividad de la información a priori sobre los niveles de borrosidad de la imagen en las tareas de deconvolución de imágenes. Al estudiar y explorar los niveles de borrosidad de la imagen, el modelo de red se centra más en las características físicas básicas de la borrosidad de la imagen. Mientras tanto, este artículo propone un modelo de descripción del grado de borrosidad de la imagen, que puede representar efectivamente el grado de borrosidad de las imágenes de teledetección aérea. Los experimentos de comparación muestran que el algoritmo en este artículo puede recuperar efectivamente imágenes con diferentes grados de borrosidad, obtener imágenes de alta calidad con detalles de textura claros, superar el algoritmo de comparación tanto en evaluación cualitativa como cuantitativa, y puede mejorar efectivamente el rendimiento de detección de objetos de imágenes aéreas borrosas. Además, el PSNR promedio del algoritmo de este artículo probado en el conjunto de datos disponible públicamente RealBlur-R alcanzó 41.02 dB, superando el último algoritmo SOTA.