Comparée à la technologie d'imagerie optique sans lentille à ouverture unique, la technologie d'imagerie à ouverture codée (Coded Aperture Imaging, CAI) offre une intensité lumineuse plus élevée et une meilleure résolution, suscitant un large intérêt ces dernières années. Cependant, les technologies CAI actuelles sont limitées par une faible résolution temporelle de l'imagerie et des performances d'imagerie médiocres. En raison de la puissante capacité d'apprentissage profond à modéliser des caractéristiques complexes, il est largement utilisé dans divers domaines du traitement du signal. Cet article propose d'utiliser les techniques d'apprentissage profond pour résoudre ces problèmes, en construisant un modèle de réseau antagoniste génératif basé sur un mécanisme d'attention convolutionnelle (Convolutional Attention Mechanism Based-Generative Adversarial Network, CAM-GAN) adapté à différents contextes et exigences de tâches, améliorant ainsi l'efficacité et la stabilité de la CAI. En introduisant un module de mécanisme d'attention convolutionnelle, le générateur se concentre de manière sélective sur des zones spécifiques des données, restaurant les détails et la structure de l'image originale. Sur cette base, le réseau est entraîné sous la forme d'un GAN pour générer des images plus réalistes et de meilleure qualité. Les résultats expérimentaux sur des ensembles de données publics montrent que, comparé à d'autres méthodes, CAM-GAN offre une excellente qualité d'image, obtenant la valeur de rapport signal sur bruit de crête la plus élevée, améliorant d'environ 0,32 par rapport à l'algorithme UNet-GAN secondaire, démontrant pleinement le potentiel de l'apprentissage profond dans le domaine de la CAI.

imagerie à ouverture codée; apprentissage profond; mécanisme d'attention; réseau antagoniste génératif