用于引导热成像超分辨率的拉普拉斯重建网络

为日常技术带来更清晰的热成像

热成像相机能看见我们肉眼看不见的热量——从夜间行走的人到受旱胁迫的作物。但高分辨率的热成像设备价格昂贵，因此许多设备（从无人机到安防系统）使用产生模糊图像的低分辨率传感器。本文提出了 LapGSR，一种利用普通彩色相机“升级”那些模糊热图像的新方法，承诺在不更换昂贵硬件的情况下获得更清晰的热视图。

为何结合两种视觉有助益

彩色相机能捕捉到关于边缘、纹理和形状的丰富细节，但它们只感知可见光。热成像相机则感知热量，能在夜间、烟雾中或穿透某些材料时揭示肉眼看不见的信息——不过消费级设备通常分辨率粗糙且模糊。引导式热成像超分辨率试图将两者优势结合：用清晰的彩色图像作为引导来增强同一场景的低分辨率热图像。挑战在于如何做到既准确又快速，并且模型要足够小以在机器人、无人机或手持设备上运行。

用细节金字塔替代重量级计算

LapGSR 通过依靠一个经典的图像处理思想来应对这一挑战：拉普拉斯金字塔。方法不是强制深度神经网络从头学习所有边缘和纹理，而是将引导彩色图像分解成若干层，每层捕捉不同尺度的边缘和细节。这些金字塔层被输入到一个由三条分支——低层、中层和高层——组成的紧凑生成网络，分别关注不同等级的细节。低分辨率的热图像被插入到这个金字塔中并逐步精化，利用彩色图像的边缘信息作为在哪里锐化、在哪里平滑的蓝图。

轻量化设计与智能训练

为了让模型在实时应用中既快速又经济，作者避免使用增加大量参数的笨重上采样技巧。相反，他们采用简单的三次插值缩放和“逆金字塔”步骤，从处理后的层重建高分辨率热图像。训练时还在两个可能冲突的目标之间进行平衡：数值精度与视觉真实感。标准的逐像素误差度量促使输出接近真实值，而借鉴生成对抗网络的对抗损失则推动模型生成更自然的纹理和边缘。两者结合在保持网络异常小巧的同时产生了清晰的图像。

实验室与空中表现

团队在两个具有挑战性的数据集上测试了 LapGSR。一组来自手持热相机，捕获了多种室内与室外条件下的人物与场景。另一组来自机载无人机传感器，从空中俯瞰道路、车辆和景观。在手持数据集上，LapGSR 不仅在图像质量上优于先前方法，而且参数数量仅为数十万（约 398,000），相比之下竞品模型一般为百万级。在无人机数据集上，它在质量上具有竞争力，同时参数量比最先进方法少约 95%。作者还表明 LapGSR 能够处理彩色与热图像之间的适度对不齐——这是相机移动或振动时常见的问题。

限制、应用与未来方向

当彩色图像包含清晰的边缘和纹理时，LapGSR 效果最佳，模型可以将这些信息迁移以锐化热视图。若场景距离较远或视觉上平滑——例如某些航拍镜头——这些边缘会减弱，收益也会缩小。尽管如此，该方法在效率、鲁棒性和结果质量上的组合，使其在安防、搜救机器人和农业无人机等既看重成本又看重速度的应用中颇具吸引力。简而言之，论文展示了如何通过巧妙结合传统图像处理技巧与现代人工智能，将廉价模糊的热相机变成能以更细致方式“看见”热量的工具。

引用: Kasliwal, A., Gakhar, I., Kamani, A. et al. Laplacian reconstructive network for guided thermal super-resolution. Sci Rep 16, 5665 (2026). https://doi.org/10.1038/s41598-026-36027-x

关键词: 热成像, 超分辨率, 多模态融合, 计算机视觉, 无人机与机器人