论文标题：Unsupervised lightweight 3D convolutional network for enhanced infrared imaging in wearable devices

期刊：Frontiers of Computer Science

作者：Biao ZHU, Jun ZHANG, Sirui ZHAO, Zhengye ZHANG, Enhong CHEN  

发表时间：14 Feb 2025

DOI：10.1007/s11704-025-40948-7

微信链接：点击此处阅读微信文章

标题：Unsupervised lightweight 3D convolutional network for enhanced infrared imaging in wearable devices

作者：Biao ZHU, Jun ZHANG, Sirui ZHAO, Zhengye ZHANG, Enhong CHEN

DOI：10.1007/s11704-025-40948-7

扫码阅读原文↑

摘要：

针对穿戴式红外设备在极端环境下成像模糊、对比度低的问题，研究团队开发了一种名为UL3DCN的无监督轻量化3D卷积网络。该模型能够利用温度序列的时空特征生成高动态范围图像，在保证实时性的同时显著提升了视觉清晰度，为消防搜救与医疗监测提供了可靠的视觉增强支持。

// 内容精要///

随着自然灾害和公共卫生事件频发，集成红外热成像技术的穿戴式设备在消防救灾及临床医疗中的地位愈发重要。然而，受限于传感器成本和穿戴式设备的计算性能，红外成像普遍面临对比度不足、边缘模糊以及在极低温度环境下画面过暗等技术痛点。这些缺陷不仅降低了救灾现场的可视化效率，更可能导致关键目标的漏判。尽管传统深度学习方法在图像增强领域取得了突破，但其高度依赖于大规模高质量的成对标注数据，而获取真实场景下的红外对比数据集既昂贵又具有挑战性，这严重限制了相关技术在轻量化穿戴设备中的实战落地。

为打破这一瓶颈，中科大团队设计了无监督轻量化3D卷积网络（UL3DCN）。该框架的核心创新在于将红外图像增强定义为从热平衡温度序列中生成高动态范围（HDR）图像的任务。模型通过引入3D卷积层，能够同时捕捉红外序列中的空间细节与时间演化特征，从而更精准地还原出被噪声掩盖的温度场差异。更重要的是，通过设计轻量化的网络结构，UL3DCN显著降低了参数量与计算开销，使其能够完美适配计算资源有限的嵌入式穿戴终端，实现了在无需人工标注数据的前提下，通过自监督学习完成高质量的画质修复与对比度提升。

实验评估表明，UL3DCN在多种复杂红外数据集上的视觉效果与客观指标均表现优异。相比于现有的二维卷积和传统的对比度增强算法，该方法在保持图像细节完整性的同时，能有效抑制背景噪声并提升边缘锐度。在消防搜救模拟测试中，经过该算法处理的画面大幅提升了热源目标的辨识度。这种低功耗、高效率且无需标注的增强范式，极大地降低了红外成像技术的应用门槛，为未来开发智能穿戴防护装备及实时健康监护系统奠定了坚实的算法基础。

期刊简介

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办，南京大学支持，SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华院士，执行主编为周昆教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；两次入选“中国科技期刊卓越行动计划”（一期梯队、二期领军）。