基于邻域约束的大气偏振模式生成网络

大气偏振模式凭借具有太阳子午线信息的“∞”字形特征支撑偏振导航应用,然而由于采集装置的物理特性限制、采集地点的周边环境以及薄云等遮挡,导致获取的大气偏振信息部分失真,降低了太阳子午线的精度。为解决该问题,本文提出了基于邻域约束的大气偏振模式生成网络,该网络挖掘大气偏振模式分布的连续性,通过多步邻域特征推理以增加重构过程的约束,由局部有效偏振信息精准生成全局的大气偏振信息。此外,针对大气偏振模式的物理特性,提出了太阳子午线角度损失,进一步提升太阳子午线精度。本文在实测大气偏振数据上进行了实验,并与其它最新方法进行对比,实验结果证明了本文方法的鲁棒性和优越性。

基于多对一映射生成对抗网络的颜色恒常性算法

颜色恒常性是计算机视觉的重要研究方向,但在目前的研究中,大多数算法专注于单光源均匀分布的情况,光源非均匀分布的问题一直没有得到很好的解决。针对该问题,在单光源非均匀分布的情况下,将颜色恒常性转换成一个多对一映射任务,提出了一种基于生成对抗网络直接校正的方法。该方法根据颜色恒常性的特性,将图像拆解成内容编码和光源编码,改变光源编码为目标光源编码,重组生成目标光源下的图像。为了使非标准光源更加多样化,加入光源采样模块,帮助网络学习到更为丰富的光源信息,实现多对一映射。同时,为了在输入不同的光源编码时可以引导图像映射到不同的光源下,加入光源监督模块以区分具有不同光源的图像,帮助光源转换模块更好地将内容编码和特定光源编码结合起来,生成目标图像,实现颜色恒常性。同时,针对本文任务,在现存的数据集上渲染非均匀分布的光源,构造了单光源非均匀分布的数据集。实验结果表明,本文方法较好地解决了光源非均匀分布的问题,在非均匀数据集上超越了其他算法,最终生成的图像也更加接近标准光源下图像。