DSCSNet：近接した赤外小目標のアンミキシングのための動的スパース圧縮センシングネットワーク

概要: 光学レンズの焦点距離と検出器の解像度の制約により、遠方に存在する群集した赤外線の小目標はしばしば混合した点として観測されます。Close Small Object Unmixing（CSOU）タスクは、これらの点から個々の目標の数、サブピクセル位置、放射強度を復元することを目的としており、これは非常に難しい（強い）逆問題です。既存手法は、モデル駆動アプローチの厳密な疎性（スパース性）保証と、データ駆動アプローチの動的シーン適応性とのバランスを取るのが困難です。このジレンマに対処するため、本論文では、Alternating Direction Method of Multipliers（ADMM）と学習可能パラメータを結合した深層アンフォールディング（deep-unfolded）ネットワークであるDynamic Sparse Compressed Sensing Network（DSCSNet）を提案します。具体的には、ADMMの補助変数更新ステップに、従来の_2-ノルムの滑らかさを促進する項を置き換えるために、厳密な_1-ノルムの疎性制約を組み込みます。これにより、小目標が持つ離散的なエネルギーピークが効果的に保持されます。さらに、再構成段階に自己注意に基づく動的しきい値化メカニズムを統合し、反復過程から得られる疎性強化情報を用いて、疎化の強度を適応的に調整します。これらのモジュールは、ADMMの3つの反復ステップにわたってエンドツーエンドで共同最適化されます。圧縮センシングの物理的な論理を保持することで、DSCSNetは頑健な疎性誘導とシーン適応性を実現し、複雑な赤外シナリオにおけるアンミクシング（混合の分解）精度と汎化性能を向上させます。合成赤外線データセットCSIST-100Kに対する大規模な実験の結果、DSCSNetはCSO-mAPやサブピクセル局在化誤差といった主要指標において最先端手法を上回ることが示されました。