PCSGAN:感知循环合成生成对抗网络 用于热红外与可见光图像转换
本文提出了一种基于循环生成对抗网络(CSGAN)的图像转换方法,使用 Cyclic-Synthesized Loss 作为新的目标函数。该方法在 CUHK Face 数据集和 CMP Facades 数据集上的实验结果表明,相比 GAN、Pix2Pix、DualGAN、CycleGAN 和 PS2GAN 等最新技术方法,CSGAN 在 CUHK 数据集上表现最优,同时在 Facades 数据集上表现出很好的定量和定性综合性能。
Jan, 2019
提出了一种使用生成对抗网络的无监督学习方法,来实现热红外相机拍摄图像的可视化处理,相较于现有的监督学习模型,该模型在 KAIST-MS 数据集上表现更好,并且对新环境具有良好的泛化性能。
Apr, 2019
本研究提出使用语义引导生成对抗网络(SG-GAN)从热成像中自动生成可见光人脸图像,并通过多种不同的损失函数进行控制以实现更好的可视化效果和性能,从而在多光谱人脸图像识别领域取得了有希望的结果。
Mar, 2019
本文提出了一种基于生成对抗网络的可见面孔合成 (GAN-VFS) 方法,通过联合优化来自极化热成像的面孔图像。通过在训练过程中引入指导子网络来确保编码的可见特征包含更多的语义信息,结合恒等损失和感知损失实现兼顾光学真实属性和重建输出的区分特征,实验表明该方法达到了最先进的性能。
Aug, 2017
提出一种基于 TV-GAN 的方法解决在红外相机下进行的人脸识别问题,该方法可以确保在图像转换的过程中保留身份信息,通过对判别器网络训练进行显式的闭合集人脸认证损失的规范,使得 TV-GAN 可以在处理前所未见过的人的图像时更好地保留身份信息。
Dec, 2017
本研究提出了一个基于生成对抗网络和多流特征级融合技术的新方法,将极化热成像的人脸图像合成为高质量的可见光图像,并在不同的实验协议下进行多次实验验证。
Dec, 2018
通过物理驱动型生成对抗网络(GAN),整合了单像素红外高光谱成像(HSI)的物理过程,并利用真实和估计的一维桶信号作为目标函数的约束条件来更新网络参数并优化生成器,从而实现了更高的成像性能但需要更少的测量次数。我们相信这一物理驱动型 GAN 将促进计算成像,特别是各种基于单像素成像技术的实际应用。
Nov, 2023
通过使用基于 Transformer 的新型模型,将可见光图像转换为高保真红外图像,从而解决了低光条件下可见光图像对比度低的问题,并比现有方法在质量和数量上都有显着优势,为红外图像的下游应用提供了更有效的支持。
Apr, 2024
通过使用红外波段和太阳光方向参数作为输入,该研究提出了使用条件生成对抗网络(CGAN)模型生成高度精确的夜间可见反射率的方法,并通过 Visible/Infrared Imager Radiometer Suite (VIIRS) 的 Day/Night Band (DNB) 进行了模型验证。研究证明了该模型在监测夜间气象现象方面的可行性。
Jan, 2024
该研究提出了一种基于 I2V-GAN 的视频翻译方法,可以生成细粒度和时空一致的可见光视频。该方法采用三种约束,包括对抗损失、循环一致性和相似性约束,同时提供了一个新的 IRVI 数据集,以提高这方面的研究水平。
Aug, 2021