En comparación con la tecnología de imágenes ópticas sin lentes de apertura única, la tecnología de imágenes con apertura codificada (Coded Aperture Imaging, CAI) presenta una mayor intensidad de iluminación y una resolución más alta, lo que ha generado un amplio interés en los últimos años. Sin embargo, la tecnología CAI existente enfrenta limitaciones como baja resolución temporal de imagen y bajo rendimiento de imagen. Debido a la potente capacidad del aprendizaje profundo para modelar características complejas, se ha aplicado ampliamente en diversos campos del procesamiento de señales. Este artículo propone utilizar técnicas de aprendizaje profundo para abordar estos problemas, construyendo un modelo de red adversarial generativa basado en un mecanismo de atención convolucional (Convolutional Attention Mechanism Based-Generative Adversarial Network, CAM-GAN) para adaptarse a diferentes contextos y requisitos de tareas, mejorando la eficacia y estabilidad de la CAI. Al introducir un módulo de mecanismo de atención convolucional, el generador se enfoca selectivamente en áreas específicas de los datos, restaurando los detalles y la estructura de la imagen original. Sobre esta base, la red se entrena en forma de red adversarial generativa para generar imágenes más realistas y de mayor calidad. Los resultados experimentales en conjuntos de datos abiertos muestran que, en comparación con otros métodos, CAM-GAN sobresale en calidad de imagen, logrando el valor más alto de relación señal-ruido pico, mejorando aproximadamente en 0.32 respecto al segundo mejor algoritmo UNet-GAN, demostrando plenamente el potencial de aplicación del aprendizaje profundo en el campo de CAI.

imagen con apertura codificada; aprendizaje profundo; mecanismo de atención; red adversarial generativa