機載赤外線イメージングシステムの動的ターゲットに対する長距離検出および識別能力を向上させるために、循環残差ニューラルネットワークに基づく赤外線動画超解像再構成法を提案する。本方法は機載赤外線イメージングシステムの実際の劣化過程を対象とし、動的ターゲットの運動情報を組み合わせ、ネットワーク構造を最適化することで動画の再構成品質を効果的に向上させる。まず、ダウンサンプリング、モーションブラーおよびノイズ干渉を含む赤外動画の劣化過程を分析し、これに基づき低解像度データセットを構築した。循環残差ニューラルネットワークを紹介し、このネットワークは動的ターゲットの運動情報を効果的に抽出・伝達し、ターゲットの形状、輪郭および細部テクスチャを回復できる。モデルの主幹をスキップカスケード残差構造で改良し、情報の流れをスムーズに保ちながら長い動画シーケンスの処理により適し、学習過程での勾配消失を効果的に回避した。さらに、残差ブロックの数および各層の畳み込み核数を調整し、ネットワークの表現力と計算効率を最適化した。加えて、Charbonnier損失と高周波情報損失（HFLoss）を組み合わせた損失関数を提案し、再構成画像の高周波ディテールの復元効果を向上させた。実験結果は、提案した再構成法が公開および実測赤外線データセットで動的ターゲットの2倍超解像を実現し、PSNR値は40 dB超、SSIM値は0.92以上、再構成速度は45フレーム／秒以上であることを示した。解像度テストターゲットと赤外ズームイメージングシステムを組み合わせてシステムの角度解像度を正確に較正し、再構成法がシステムの角度解像度向上において1.43倍の優位性を持つことを検証した。本手法は機載イメージングシステムの高いリアルタイム性と再構成品質の要求を満たすことができる。

コンピュータビジョン;動画超解像;ディープラーニング;循環ニューラルネットワーク;深層残差ネットワーク;赤外線動的ターゲット