A detecção e o reconhecimento de alvos em movimento a longa distância baseados em plataforma espacial enfrentam desafios como banda larga, imagens borradas e tamanho pequeno do alvo. Para atender aos requisitos da plataforma espacial quanto a algoritmos de desembaçamento com alta capacidade em tempo real, generalização e qualidade de reconstrução, foi proposta uma metodologia baseada em mecanismo de atenção com rede neural convolucional multi-escala e multi-estágio. Uma rede leve multi-estágio e multi-escala com número otimizado de módulos é utilizada para garantir a capacidade em tempo real, combinada com um resolvedor baseado em auto-atenção no domínio da frequência e rede neural feedforward discriminativa (Frequency domain based self-attention solver and discriminative FFN, F-D) e módulo de atenção convolucional (Convolutional Block Attention Module, CBAM) para capturar informações-chave nos domínios espacial e de frequência. Resultados experimentais mostram que a taxa de restauração do método de desembaçamento supera 34 quadros/s, com tempo de processamento equivalente a 1/3 dos algoritmos típicos; no conjunto de dados de pequenos alvos infravermelhos, o PSNR é superior a 32 dB e o SSIM é superior a 0,87; no conjunto de dados de pequenos alvos em luz visível, o PSNR é superior a 17 dB e o SSIM é superior a 0,93. Este algoritmo possui capacidade de generalização em banda larga e pode restaurar eficazmente os contornos e formas de pequenos alvos.

visão computacional; desembaçamento de imagens; mecanismo de atenção; pequenos alvos