По сравнению с однородным оптическим безлинзовым изображением, технология кодированной апертурной визуализации (Coded Aperture Imaging, CAI) обладает более высокой интенсивностью освещения и более высоким разрешением, что вызвало широкий интерес в последние годы. Однако существующие технологии CAI страдают от низкого временного разрешения съемки и плохой производительности изображения. Благодаря мощной способности глубокого обучения моделировать сложные особенности, оно широко применяется в различных областях обработки сигналов. В данной статье предлагается использовать методы глубокого обучения для решения указанных проблем, построив генеративную состязательную сеть на основе сверточного механизма внимания (Convolutional Attention Mechanism Based-Generative Adversarial Network, CAM-GAN), которая адаптируется к различным ситуациям и требованиям задач, улучшая эффективность и стабильность CAI. Введение модуля сверточного внимания позволяет генератору селективно фокусироваться на определённых областях данных, восстанавливая детали и структуру исходного изображения. Исходя из этого, сеть обучается в форме генеративно-состязательной сети для создания более реалистичных и высококачественных изображений. Результаты экспериментов на общедоступных наборах данных показывают, что CAM-GAN превосходит другие методы по качеству изображения, достигая наивысшего значения пик-сигнал/шум, улучшая примерно на 0.32 по сравнению с вторым лучшим алгоритмом UNet-GAN, что полностью доказывает потенциал применения глубокого обучения в области CAI.

кодированная апертура; глубокое обучение; механизм внимания; генеративная состязательная сеть