Fieldscale: Locality-Aware Field-based Adaptive Rescaling for Thermal Infrared Image

热红外相机由于其对外部光照的鲁棒性在安全相关领域中成为有前途的传感器。然而，RAW TIR图像具有14位像素深度，需要重新缩放为8位以适用于一般应用。以往的研究利用全局1D查找表仅基于像素强度计算像素增益，未考虑热的局部性质而降低了图像质量。我们提出了Fieldscale，一种基于局部感知2D场的重新缩放方法，其中嵌入了每个像素的强度值和空间上下文。它可以自适应地确定每个区域的像素增益，并产生具有最小信息损失和高可见性的空间一致的8位重新缩放图像。图像质量评估和另外两个下游任务的一致性性能提高支持Fieldscale的有效性和可用性。所有代码都公开以促进该领域的研究进展。https://github.com/hyeonjaegil/fieldscale

如何对热红外图像进行适当的降噪和缩放以提高图像质量？

使用基于局部感知的二维场的自适应像素增益方法，以产生空间一致的8位缩放图像。

论文提出了一种新的局部感知的像素增益方法，称为Fieldscale，可以产生高质量的8位缩放图像。实验结果表明，Fieldscale在图像质量评估和其他下游任务中都表现出了一致的性能提升。作者还公开了所有代码以促进该领域的研究进展。

最近的相关研究包括基于深度学习的热红外图像增强方法，如“DeepIE”和“Dual-Stream CNN”，以及基于传统图像处理技术的方法，如“CLAHE”和“Gamma校正”。