ترجمه تصویر حرارتی به نور مرئی با استفاده از شبکه های مولد تخاصمی

سیستم های تصویربرداری حرارتی، با توجه به ویژگی های منحصربه‎‎فرد خود، مانند توانایی ثبت تصاویر در شرایط آب‎و‎هوای مختلف، ثبت تصاویر در شب و یا دارا بودن خاصیت ضد‎جعل، کاربرد های نظامی، امنیتی و قضایی ویژه ای دارند. با این حال، تصاویر ثبت‎شده توسط دوربین های حرارتی، با استفاده از چشم انسان قابل‎تشخیص نبوده و شناسایی چهره تصاویر حرارتی، برای انسان بسیار سخت است. تبدیل تصاویر حرارتی به تصاویر نور مرئی، در حوزه انتقال محتوای تصویر یا ترجمه تصویر به تصویر قرار دارد. تاکنون، مدل های یادگیری عمیق بسیاری برای تبدیل تصاویر حرارتی به نور مرئی معرفی شده اند. از بین این مدل ها، شبکه های مولد تخاصمی توانسته اند به پیشرفت قابل‎توجهی در این زمینه دست پیدا کنند. در این مقاله، سعی شد تا شبکه ClawGAN که به طور خاص برای تبدیل تصاویر حرارتی به نور مرئی ارائه شده است، بهبود داده شود. راهکار ما بر پایه ی ادغام تکنیک های موثر نظیر Unet++، Unet۳+، شبکه خودتوجه در مولد معماری پایه است. بدین‎صورت، شبکه قادر خواهد بود تا در زمان انتقال محتوا از دامنه حرارتی به دامنه ی نور مرئی، تصاویر با کیفیت بالاتری را تولید کند که قابل‎تشخیص از طریق چشم انسان بوده و دارای کمترین اعوجاج، تاری و نویز باشند. نتایج بدست‎آمده نشان داد که مولد پیشنهادی توانست باعث بهبود قابل‎توجه معیار‎های ارزیابی مانند MSE، PSNR، RMSE، UQI و PSNR-B شود.

کلیدواژه ها:

ترجمه تصویر به تصویر ، تصاویر حرارتی ، تصاویر نور مرئی ، شبکه های مولد تخاصمی ، شبکه خودتوجه