DDR-Net: Dual-Stream for Degraded Infrared Image Restoration Network
Notice bibliographique
Résumé
Infrared (IR) imaging technology is drawing significant attention in various critical applications due to its unique capabilities for object detection and scene understanding, even under challenging environments and adverse weather conditions. However, IR imaging fundamentally faces two major limitations: inherent lowresolution and contamination by complex noise (Gaussian, stripe, and non-uniformity). Existing approaches suffer from critical limitations. Conventional Super-Resolution (SR) models are vulnerable to composite noise in IR imagery. Existing Denoising (DN) models either address only single noise types or neglect the low-resolution problem. Sequential pipelines (DN→SR or SR→DN) introduce irreversible information loss, while current joint DN+SR methods consider only simplistic noise models, proving insufficient for real-world IR data. To address these challenges, this study proposes the Dual-stream for Degraded infrared image Restoration Network (DDR-Net), a lightweight end-to-end network for simultaneous complex noise removal and super-resolution. DDR-Net features three key contributions: (1) A novel frequency-domain decomposition-based dual-stream architecture that independently performs noise suppression in low-frequency components and edge preservation in high-frequency components, followed by efficient fusion. (2) The Self-Dual Calibrated Projection Attention (SDCPA) mechanism for effective information exchange between streams. (3) Integration of a validated composite noise model reflecting real-world IR sensor characteristics. Extensive experiments on four benchmark datasets (FLIR, IR100, DLS-NUC-100, and ESPOL FIR) demonstrate that DDR-Net consistently achieves superior performance across various noise levels and upscaling factors (×2, ×4). The parameter-efficient architecture ensures practical deployment suitability, providing an effective solution for infrared image restoration in diverse real-world scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».