La corrección de distorsiones geométricas en imágenes es un paso clave de preprocesamiento en muchas aplicaciones de visión por computadora. Los métodos actuales basados en aprendizaje profundo para la corrección de distorsiones geométricas se centran principalmente en resolver problemas de corrección de distorsiones únicas en imágenes. Por ello, este artículo propone un método para la corrección de distorsiones mixtas en imágenes basado en una red U-Net mejorada. En primer lugar, se propone un método para construir un conjunto de datos de imágenes con distorsiones mixtas, resolviendo el problema de la escasez de datos de entrenamiento y la monotonía en los tipos de distorsiones. En segundo lugar, se utiliza una red U-Net combinada con un mecanismo de atención espacial para extraer características de la imagen y reconstruir el mapa de coordenadas de distorsión, transformando el problema de corrección de imágenes en una predicción del desplazamiento de las coordenadas píxel por píxel en la imagen distorsionada. Se diseña una función de pérdida que combina la pérdida por diferencia de coordenadas y la pérdida de re-muestreo, mejorando efectivamente la precisión de la corrección. Finalmente, experimentos de ablación verifican el rendimiento de los módulos del método propuesto. Comparado con los últimos métodos de corrección de distorsiones basados en aprendizaje profundo, los resultados experimentales demuestran un buen desempeño tanto en indicadores cuantitativos como en evaluación subjetiva, con un error absoluto medio en la corrección de coordenadas espaciales de imágenes distorsionadas de 0,2519. Además, se realizó un experimento de corrección con imágenes ópticas obtenidas con una cámara GoPro, que confirma aún más la efectividad del método para la corrección de imágenes distorsionadas.

Corrección de distorsiones mixtas;U-Net;atención espacial;pérdida por diferencia de coordenadas;pérdida de re-muestreo