低成本热成像摄像机的温度准确性和非均匀性受环境温度影响，本研究旨在提高低成本摄像机的温度准确性并纠正非均匀性，通过开发一个考虑环境温度的非均匀性模拟器和一个全新的神经网络，利用单张图像和摄像机自身测量的环境温度来估计目标温度和校正非均匀性，结果表明该方法相比以前的工作将平均温度误差降低了约 1 摄氏度，而对网络应用物理约束则进一步降低了 4% 的误差，经过广泛验证的平均温度误差为 0.37 摄氏度，该方法在实地验证中产生了相当的结果。

Jul, 2023

该研究探讨了一种基于温度恒定的红外传感器光度校正模型，将其整合至 SfM 框架中用于 3D 重建，实验结果表明光度校正有助于提高相机运动和场景结构的估计，同时与使用 RGB 传感器相比重建质量表现相当。

Apr, 2023

DeepIR 是一个新的热成像处理框架，结合了精确的传感器建模和深度网络图像表示，可用于开展无需训练数据和已知黑体目标的计算机视觉任务，并采用多张图像噪声抑制和超分辨率算法，实现高质量的非均匀校正。

Aug, 2021

通过结合 RGB 和热成像图像，采用计算机视觉技术中的深度学习网络，提出了一种名为 VisTA-SR（Visual & Thermal Alignment and Super-Resolution Enhancement）的方法，以增强低成本热成像相机的温度准确性和图像质量，进一步探索了低成本热成像相机在农业领域替代高分辨率工业相机的潜力，并证明了该方法在提高温度准确性和图像清晰度方面的有效性，为农业领域提供了更可靠和高效的热成像解决方案。

May, 2024

本文提出了一种基于深度学习的解决方案，通过多模态图像融合模型来提高热红外图像的分辨率，并研究了一系列网络架构、上采样方法、学习过程以及优化函数对图像超分辨率问题的有益作用，并提出了一个基准数据集进行定量评估

Dec, 2018

使用优化的多尺度 Retinex 算法和基于 U-Net 架构的深度学习方法，对 16bpp 的热红外图像进行色调映射算法的研究，以及使用自监督深度学习方法减少噪音并提高热红外视频增强质量，并在公共 FLIR ADAS 数据集上证明了所提出的方法效果优于现有技术。

May, 2023

通过利用热红外传感器，结合 IR 和 SDR 图像内容的新方法 HDRTNet 在 HDR 图像获取方面取得显著改进，对比研究表明在多种不同光照条件下该方法具有鲁棒性。

Jun, 2024

本文提出了一种基于辐射测温技术在石化炉炉内测量温度时误差和不确定性的预算方法，并引入了基于深度学习的测量校正模型构建的连续监测系统，实现了精确监控石化炉的操作，提高了系统效率。

Jan, 2022

本文提出了一种新的基于局部斯特林核（LSK）的多维模板或张量形式的中级属性，以便更好地检测远红外图像中的行人，并引入了一种新的图像相似度核，以在支持向量机的最大边缘框架内进行训练。我们的第三个贡献是采用多通道离散傅里叶变换来替代滑动窗口法进行行人定位，取得了很好的实验结果。同时，我们还将用于研究为目的的 OSU 彩色热数据库中的行人注释与研究社区共享。

Sep, 2016

本文提出了一种自适应场景红外和可见图像配准方法，其使用多模态传感器模块进行场景感知。该方法采用反演平移过程建立多模态图像的不变性域，并利用单应性对不同平面间的变形进行仿真，并通过残差估计、相关性搜索等方法实现更准确的匹配，最终验证了该方法的有效性。

Apr, 2023