Em comparação com a tecnologia de imageamento óptico sem lente de abertura única, a tecnologia de imageamento por abertura codificada (Coded Aperture Imaging, CAI) apresenta maior intensidade de iluminação e maior resolução, tendo atraído ampla atenção nos últimos anos. No entanto, as tecnologias CAI existentes enfrentam limitações de baixa resolução temporal de imagem e desempenho de imageamento inferior. Devido à poderosa capacidade de modelagem de características complexas do aprendizado profundo, ele tem sido amplamente aplicado em diversas áreas de processamento de sinais. Este artigo propõe o uso de técnicas de aprendizado profundo para resolver os problemas mencionados, construindo um modelo de rede generativa adversarial baseado em mecanismo de atenção convolucional (Convolutional Attention Mechanism Based-Generative Adversarial Network, CAM-GAN) para se adaptar a diferentes contextos e requisitos de tarefas, melhorando a eficácia e a estabilidade do CAI. Ao introduzir um módulo de mecanismo de atenção convolucional, o gerador foca seletivamente em áreas específicas dos dados, restaurando os detalhes e a estrutura da imagem original. Com base nisso, a rede é treinada na forma de uma rede generativa adversarial para gerar imagens mais realistas e de maior qualidade. Os resultados experimentais em conjuntos de dados públicos mostram que, em comparação com outros métodos, o CAM-GAN apresenta excelente qualidade de imagem, alcançando o maior valor de relação sinal-ruído de pico, melhora cerca de 0,32 em relação ao segundo melhor algoritmo UNet-GAN, comprovando plenamente o potencial de aplicação da tecnologia de aprendizado profundo na área de CAI.

imageamento por abertura codificada; aprendizado profundo; mecanismo de atenção; rede generativa adversarial