控制与决策

作者：孙传猛,陈嘉欣,裴东兴,马铁华,祖静,任一峰

单位：中北大学 省部共建动态测试技术国家重点实验室,太原 030051;中北大学 电气与控制工程学院,太原 030051,,中北大学 省部共建动态测试技术国家重点实验室,太原 030051;中北大学 电气与控制工程学院,太原 030051,,中北大学 省部共建动态测试技术国家重点实验室,太原 030051;中北大学 电气与控制工程学院,太原 030051,,中北大学 省部共建动态测试技术国家重点实验室,太原 030051;中北大学 电气与控制工程学院,太原 030051,,中北大学 省部共建动态测试技术国家重点实验室,太原 030051,,中北大学 电气与控制工程学院,太原 030051,

关键词：图像恢复;恶劣战场环境;深度学习;门控卷积;压缩和激励网络;轻量化

基金：国家重点研发计划青年科学家项目(2022YFC2905700)；国家重点研发计划项目(2022YFB3205800)；山西省高等学校科技创新项目(2020L0294)；山西省基础研究计划面上项目(202203021221106).

为实现恶劣战场环境下降质图像的有效恢复、降低环境因素对战场态势感知的干扰,构建一种全新的、端到端的图像恢复方法-----门控采样网络(GSNet).该网络以编码块-解码块为基本架构,以CNNs与门控卷积为编码与解码机制,以压缩和激励网络为编码块与解码块的连接机制,以高阶信息重要程度的重标定区分目标与背景特征,以通道粒度因子压缩方法为轻量化策略,实现对战场恶劣环境图像的快速恢复.相关实验结果表明,GSNet模型可使PSNR达到19.35dB,并且SSIM达到0.724,无论是客观指标评价还是主观视觉效果,性能均优于对比的主流图像恢复算法;轻量级GSNet模型在较小提升PSNR、SSIM等指标的情况下,其参数量、FLOPs以及单张图像处理时间分别降低56.6%、54.6%和55.56%.

来源：2024年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第4期