May, 2024

Fieldscale: 热红外图像的区域感知场自适应缩放

PDF
TL;DR基于本地感知的 2D 领域的 Fieldscale 技术提供了一种自适应确定每个区域像素增益，并产生具有最小信息损失和高可见性的一致性空间一致的 8 位缩放图像，从而大大提高了图像质量评估和其他下游任务的性能。
thermal infrared camerastir imagerescalingfieldscaleimage quality
发现论文，激发创造
  • 多尺度 Retinex 与多任务学习的红外热像图联合色调映射和去噪

    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

  • 基于物理启发的深度网络的热图像处理

    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

  • 具有热激活的神经场用于任意尺度超分辨率

    利用傅立叶理论和热方程衍生的一种新型激活函数，我们提出了一种设计神经场的新方法，使得可以使用高斯点扩散函数查询点，在 ASSR 分辨率转换时提供了理论上保证的抗锯齿效果，并且在计算成本上不增加额外开销，同时与超网络结合，比之前的方法更具参数效率。

    Nov, 2023

  • 基于边缘感知引导的热红外图像修复

    本文提出了一种新的任务 —— 热红外图像修复，引入深度学习模型 TIR-Fill 和采用基于门卷积的细化网络，旨在解决现有 inpainting 方法在处理 TIR 图像时普遍存在的失真和模糊问题，并在 FLIR thermal 数据集上表现出了优异的性能。

    Oct, 2022

  • 使用对抗训练进行未配对的热到可见光谱转换

    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

  • 热红外追踪的多任务驱动特征模型

    该论文提出了一种基于多任务学习的框架，学习适用于红外追踪的特征模型，并使用大规模红外训练数据集来优化该模型。在三个基准测试中，实验结果表明，该算法的相对增益达到 10％，表现优于现有的方法。

    Nov, 2019

  • 利用高分辨率纵向热红外影像生成区域尺度地表温度数据

    该论文描述了一个非接触式的技术 —— 红外热成像技术来收集数据和分析建筑环境，并介绍了一个位于新加坡的屋顶红外热成像观测站，可以以高时空分辨率监测区域内动态过程，并收集来自热带区域的遥感数据，数据包含在 10 个月内从两个位置平均每 10 秒钟拍摄的 1,365,921 张热像。

    May, 2023

  • 远程感知中基于近红外和低秩适应的视觉变换网络

    使用视觉转换器 (ViT) 的预训练骨干网络与低秩适应 (LoRA) 在 NIR 领域的下游任务中，通过广泛实验表明，能够实现对 NIR 图像的最佳性能。

    May, 2024

  • 红外传感器的光度校正

    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

  • 单个热成像的多模态传感器融合超分辨率

    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