実測された赤外線画像データセットの構築が困難で、テスト制作費用が高いという問題に対処するため、本論文では非対応ペアの学習サンプル条件下で動作する生成対抗ネットワークVTIGANを提案し、異なるシーンにおける可視光から赤外線（Visible-to-Infrared、VTI）への高品質な画像変換を実現した。VTIGANはトランスフォーマーモジュールを基盤に新たなジェネレーターを導入し、画像内容のマッピング関係を学習することで、ターゲットスタイルの特性を再構成して画像スタイル変換を行う。同時にPathGANを判別器として使用し、モデルの画像細部情報生成能力を強化する。最後に、敵対的損失、多層比較損失、スタイル類似性損失、同一性損失の4つの損失関数を合同で用いてモデルの学習過程を制約する。VTIGANは他の主流アルゴリズムと可視光-赤外線データセットにおいて広範な比較実験を行い、ピーク信号対雑音比（PSNR）、構造類似度（SSIM）、Frechét Inception Distance（FID）の3つの評価指標を用いて定量的評価と主観的定性評価を実施した。実験結果は、VTIGANが次善のUGATITアルゴリズムに比べてPSNR、SSIM、FIDの3指標でそれぞれ3.1％、2.8％、11.3％の向上を示し、非対応ペアの学習サンプル条件下での可視光から赤外線への画像変換を効果的に実現し、複雑なシーンにおける耐妨害性が高く、生成された赤外線画像は鮮明で細部が完全かつリアリティが高いことを示した。

画像処理;赤外線画像シミュレーション;画像スタイル変換;生成対抗ネットワーク;トランスフォーマー