Im Vergleich zur optischen bildgebenden Technik ohne Linse mit einer Einzelöffnung weist die Technik der codierten Aperturbildgebung (Coded Aperture Imaging, CAI) eine höhere Lichtintensität und eine höhere Auflösung auf, die in den letzten Jahren große Aufmerksamkeit erregt hat. Die bestehenden CAI-Technologien weisen jedoch Einschränkungen wie eine niedrige zeitliche Auflösung der Bildgebung und eine schlechte Bildqualität auf. Aufgrund ihrer starken Fähigkeit zur Modellierung komplexer Merkmale wird Deep Learning in verschiedenen Bereichen der Signalverarbeitung weit verbreitet eingesetzt. In diesem Artikel wird vorgeschlagen, Deep-Learning-Techniken zur Lösung dieser Probleme einzusetzen, indem ein generatives gegnerisches Netzwerkmodell auf Basis eines Faltungsaufmerksamkeitsmechanismus (Convolutional Attention Mechanism Based-Generative Adversarial Network, CAM-GAN) aufgebaut wird, um sich an unterschiedliche Szenarien und Aufgabenanforderungen anzupassen und die CAI-Leistung und Stabilität zu verbessern. Durch die Einführung eines Moduls für den Faltungsaufmerksamkeitsmechanismus kann der Generator selektiv auf bestimmte Bereiche der Daten fokussieren und Details sowie Strukturen des Originalbildes wiederherstellen. Darauf basierend wird das Netzwerk in Form eines generativen gegnerischen Netzwerks trainiert, um realistischere und qualitativ hochwertigere Bilder zu erzeugen. Experimentelle Ergebnisse auf öffentlichen Datensätzen zeigen, dass CAM-GAN im Vergleich zu anderen Methoden eine hervorragende Bildqualität aufweist und den höchsten Spitzen-Signal-Rausch-Verhältnis-Wert erreicht, was gegenüber dem zweitbesten UNet-GAN-Algorithmus eine Verbesserung von etwa 0,32 bedeutet, was das Potenzial der Anwendung von Deep Learning im Bereich der CAI vollständig belegt.

codierte Aperturbildgebung; Deep Learning; Aufmerksamkeitsmechanismus; generatives gegnerisches Netzwerk