DDR-Net: Dual-Stream for Degraded Infrared Image Restoration Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle