基于轻量级递归残差网络的太赫兹时域图像超分辨率重建

《Optics & Laser Technology》：Terahertz time-domain image super resolution reconstruction based on lightweight recursive residual network

　　

闵斋|丁伟天|郝月潘|帅孙|丛斋|成刘|文龙何|D.S. Citrin

摘要

太赫兹（THz）成像是一种有前景的非侵入式传感技术，适用于安全筛查和工业检测，但其空间分辨率从根本上受到衍射和系统噪声的限制，而这些因素并非都是可叠加的。为了解决这一挑战，我们提出了SRMCNet，这是一种用于高效、高质量太赫兹图像超分辨率重建的深度学习模型。SRMCNet基于递归残差多尺度架构，引入了两个关键组件：一个门控卷积块（GCB），该块通过动态门控在不同尺度上提取和细化特征；以及一个轻量级的多尺度选择性特征融合（MSFF）模块，该模块能够自适应地整合多分辨率信息。在包含隐藏威胁的太赫兹安全筛查数据集（例如陶瓷刀具和爆炸物包裹）上进行评估时，SRMCNet在现有方法中取得了最佳的定量性能，峰值信噪比（PSNR）分别为26.94 dB（陶瓷刀具隐藏在背面）和26.40 dB（爆炸物包裹隐藏在正面），结构相似性指数（SSIM）分别为0.7669和0.8251。此外，SRMCNet保持了最低的计算复杂度——仅需要2 GFLOPs和547K个参数——远低于其他先进模型（如SwinIR的384 GFLOPs和MirNetv2的19.5 GFLOPs）。这项工作表明，SRMCNet在重建质量和效率之间实现了有效平衡，为资源受限的太赫兹成像系统提供了一种实用的解决方案。