与列非均匀校正(CNCM)-提升红外小目标检测精度)
论文题目：ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping
中文题目：ASCNet：用于红外图像去条纹的非对称采样校正网络
应用任务：红外图像去条纹 (Destriping)、图像降噪、低光照增强
论文原文 (Paper)：https://arxiv.org/abs/2401.15578
代码 (code)：https://github.com/xdFai/ASCNet
摘要：
本文提取自IEEE TGRS顶刊论文《ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping》。针对红外成像系统中常见的条纹噪声（Stripe Noise）问题，传统的 CNN 去噪方法往往难以捕捉全局列相关性（Global Column Correlations），且下采样过程容易丢失高频纹理的痛点，复现了其核心组件。包括利用物理先验进行下采样的RHDWT（残差 Haar 小波变换）和专门用于校正列条纹的CNCM（列非均匀性校正模块）。这两个模块可以无缝替换 U-Net 架构中的下采样和卷积层，是红外图像预处理的杀手锏。
目录
- 第一部分：模块原理与实战分析
- 1. 论文背景与解决的痛点
- 2. 核心模块原理揭秘
- 3. 架构图解
- 4. 适用场景与魔改建议
- 第二部分：核心完整代码
- 第三部分：结果验证与总结
第一部分：模块原理与实战分析
1. 论文背景与解决的痛点
红外焦平面阵列（FPA）受限于制造工艺，不同列的探测器响应往往不一致，导致图像上出现明显的竖向或横向条纹。
- 传统下采样的弊端：常用的 Max Pooling 或 Stride Conv 会直接丢弃 75% 的信息，导致条纹特征（高频信息）和背景纹理混淆，去不干净。
- 局部感受野的局限：普通卷积只能看局部，无法理解“整列都偏暗”这种全局性的非均匀分布，容易把正常的竖向物体（如电线杆）当成条纹误删。
痛点总结：我们需要一种下采样能保留频域信息，且中间层能感知全局列特征的架构。
2. 核心模块原理揭秘
ASCNet 提出了基于物理可解释性的模块设计。我已将其封装为 PyTorch 类，核心逻辑如下：
RHDWT (Residual Haar Discrete Wavelet Transform) - 残差 Haar 小波下采样：
原理：利用 Haar 小波变换将特征图分解为四个频带：LL（低频近似）、LH（水平细节）、HL（垂直细节）、HH（对角细节）。
</
