Para obter imagens ópticas de alvos espaciais com maior resolução e clareza, é necessário realizar reconstrução de super-resolução das imagens degradadas corrigidas pelo telescópio de óptica adaptativa terrestre (Adaptive Optics, AO). Devido às características das imagens AO de alvos espaciais, que apresentam fundo único, resolução limitada e presença de desfoque de movimento, desfoque turbulento e superexposição, foi proposto um método baseado em redes adversariais generativas baseadas em aprendizado profundo (Generative Adversarial Networks, GAN) para realizar a reconstrução de super-resolução das imagens AO de alvos espaciais. Foi construído um conjunto de treinamento com imagens simuladas AO de alvos espaciais para o treinamento da rede neural. Propôs-se um método de reconstrução de super-resolução GAN baseado em blocos residuais densos, substituindo a rede residual tradicional por blocos residuais densos para aumentar a profundidade da rede, além de introduzir uma função de perda média relativa na rede discriminadora, tornando-a mais robusta e estabilizando o treinamento do GAN. Os resultados experimentais mostram que o método proposto melhora o PSNR em mais de 11,6 % e o SSIM em mais de 10,3 % em comparação com os métodos tradicionais de super-resolução por interpolação, e melhora em média o PSNR em 6,5 % e o SSIM em 4,9 % em comparação com métodos de super-resolução cega de imagens baseados em aprendizado profundo. Este método realiza eficazmente a reconstrução clara das imagens AO de alvos espaciais, reduz artefatos nas imagens reconstruídas e enriquece os detalhes da imagem.

imagens de alvos espaciais;super-resolução;redes adversariais gerativas;blocos residuais densos