Um das Kernproblem traditioneller generativer gegnerischer Netzwerke (GAN) bei der Erzeugung von Infrarotbildern zu lösen, nämlich „global realistisch, aber lokale Details des Ziels unscharf“, wird ein verbessertes GAN-Modell mit integrierter dynamischer Aufmerksamkeit lernbarer Gaußscher Kerne vorgeschlagen. Traditionelle verbesserte Modelle verwenden feste Gewichtungen für den Zielbereich, was es unmöglich macht, Schlüsselunterregionen des Ziels zu unterscheiden, was zu unzureichender Detailgenauigkeit führt; daher wurde ein adaptiver Multi-Gaußscher Kern entworfen, der im Training selbstständig den Mittelwert μ, die Varianz σ und den Rotationswinkel θ des Gaußkerns lernt und eine Gewichtskarte erzeugt, die sich dynamisch mit der Graustufe der Maske mask ändert, um eine präzise Fokussierung auf die Schlüsselbereiche des Ziels zu ermöglichen. Die Gaußkernfunktionsgewichte und deren räumliche Verteilung werden in den Generatorverlust eingebettet, wodurch ein Optimierungsziel konstruiert wird, das „adversarialen Verlust zur Einschränkung globaler Realistik + maskengeleitete gaußgewichtete L1-Verlustlokalbeschränkung + räumliche Verteilungsverlust von Multi-Gaußscher Kernziel-Ausrichtung“ beinhaltet, was dem Generator eine räumliche Gradienten-Selektivität verleiht und das Modell aufmerksam auf hochpräzise Schlüsselbereiche fokussiert. Basierend auf einem Datensatz mit sichtbaren und Infrarotbildpaaren zeigen Experimentergebnisse, dass das verbesserte Modell mit dynamischem Gaußkern die Spitzen-Signal-Rausch-Verhältnis (PSNR) und den strukturellen Ähnlichkeitsindex (SSIM) der generierten Infrarotbilder um jeweils 3 dB bzw. 0,06 steigert, wodurch die Einschränkungen traditioneller fester Gewichtungsstrategien effektiv ausgeglichen werden und es hohen praktischen Wert in Bereichen wie der Erweiterung kleiner Infrarotzielmuster und der Infrarotbildverbesserung besitzt.

pix2pix-Modell; lernbarer Gauß-Kern; dynamische Gewichtung; Infrarotbildgenerierung; Maskenführung