红外探测器利用物体和背景自身辐射进行成像，在军事、工业、农业等多个领域都有广泛的应用。红外焦平面阵列作为红外成像系统的核心器件，受到电路设计、制作材料、加工工艺等因素限制，探测阵列上的探测单元对均匀辐射的响应差异导致成像结果中出现非均匀噪声，使红外图像质量下降严重。为消除非均匀噪声，需采用非均匀校正算法对红外图像进行处理。目前主要有基于标定、基于场景和基于深度学习的三类校正算法。其中基于标定和基于场景的校正算法存在重新标定、“鬼影”、鲁棒性差等问题，难以满足实际应用需求。本文针对基于深度学习的红外探测器非均匀性校正算法开展研究，主要内容包括：
（1）针对红外图像分辨率低下、纹理信息缺乏、对比度不足等特点，本文提出一种基于可见光图像协同的红外探测器非均匀性校正方法。该方法将可见光信息引入到红外非均匀校正任务中，能够帮助模型更好的保留红外图像纹理信息。算法设计端到端训练的生成模型，将待校正红外图像和可见光图像作为模型输入，分别对红外与可见光图像进行下采样特征提取后，通过特征融合和反卷积操作实现红外图像重建。在特征融合过程中，引入双注意力机制对特征权重进行调整，帮助模型更好的进行特征筛选。最后，利用公开数据集和自研数据集对模型进行训练和验证。通过定量分析和定性分析可知，引入可见光辅助后，校正后图像噪声去除效果良好，图像质量有显著提升。
（2）为进一步提升非均匀校正算法的鲁棒性，本文基于生成对抗网络思想，设计基于双判别器模型的改进生成对抗网络算法进行红外探测器非均匀性校正。该算法包括两个判别器：第一个判别器使用Vision Transformer技术对生成图像进行局部和全局的纹理判断；第二个判别器使用离散小波变换技术从频域角度对生成图像进行全局噪声水平判断。随后，通过设计损失函数，使生成器分别和两个判别器之间达到纳什均衡。实验中，制作不同噪声水平的红外图像，以验证本文算法与其他对比算法在鲁棒性方面的差异。实验表明，在弱噪声或强噪声条件下，提出的算法都具有良好的校正结果，具有较好的鲁棒性。
（3）针对深度学习算法计算开销大、内存占用高等问题，本文对提出的非均匀校正算法进行轻量化改进，主要包括两个方面：第一，设计一种轻量化多尺度下采样模块实现生成模型轻量化。该模块利用Space_to_depth算法对特征图进行下采样和通道扩展，并结合深度可分离卷积进行多尺度特征提取。通过不同轻量化下采样模块对比以及不同校正算法轻量化改进对比可知，该模块能够有效提升模型运行速度和降低模型复杂度，且保持良好的特征提取能力；第二，对通道注意力机制进行轻量化改进，实现模型参数数量的进一步减少。与其他校正算法进行对比分析可知，提出的轻量化非均匀校正算法在保证校正结果图像质量的同时，具有较快的运行速度和较少的内存占用。
本文提出的红外探测器非均匀校正算法校正结果良好且算法稳定，对提高红外探测器成像效果有应用价值，轻量化模型也为实时校正提供良好基础。
谷歌
火狐
