在工業監測、電力巡檢、汽車診斷及設備維護等關鍵領域，紅外成像技術憑借其獨特的非接觸式測溫與熱場可視化能力，發揮著不可替代的作用。然而，傳統紅外圖像受限于分辨率，細節識別與分析能力欠佳，容易導致關鍵信息遺漏，進而影響診斷結果的準確性。對此行業難題，優利德推出了創新的紅外熱成像實時超分辨率技術。該技術能顯著提升紅外圖像分辨率，強化細節表現，優化圖像質量，從而拓寬紅外熱成像的應用場景，增強其在各領域的實用效能與價值。
一、技術優勢
圖像二階降質模擬低分辨率紅外圖像
我們采用先進的圖像二階降質模擬方法，精準再現真實世界中的圖像降解過程，從而生成高度逼真的低分辨率訓練數據。這一技術不僅提升了模型的泛化能力，更為后續的超分辨率重建奠定了堅實的基礎。下圖展示了該技術的原理流程圖，直觀揭示了從高分辨率圖像到低分辨率圖像的模擬過程。
結構重新參數化
這是一種用于深度神經網絡的技術，通過在訓練與推理階段采用不同的網絡結構來提升模型性能和效率。在訓練階段，該技術采用復雜的網絡結構(如多分支、深度卷積、殘差連接)以增強模型的學習能力。在推理階段，這些復雜的結構會被巧妙地重新參數化為等效但更為簡潔的形式(在數學上，是一種完全等效的簡化方法，而不是近似等效)，從而加快推理速度并減少計算開銷。該技術廣已泛應用于卷積神經網絡和殘差網絡，對模型的壓縮與加速起到了關鍵作用。關于自研超分算法中的結構重參化流程，請參見下圖。
紅外實時超分
超分模型具備從原始低分辨率圖像中提取低頻和高頻等細節信息的能力，進而生成具有微妙差異的多層特征圖。通過對這些多層特征圖在像素層面進行精密的重排組合，最終可以合成出高分辨率的超分圖像。
二、對比效果
優利德紅外圖像超分辨率技術，通過借助深度學習模型(例如卷積神經網絡)，實現了將低分辨率圖像轉換為高分辨率圖像的功能。其基本原理在于，通過網絡深度提取圖像中的核心特征，學習并建立起低分辨率特征到高分辨率特征的映射關系，進而重建出更為清晰的高分辨率圖像。通過持續不斷地優化損失函數，該模型能夠生成細節更豐富、質量顯著提升的紅外圖像，使其在細節分析和識別任務中更具實用價值。以下展示了超分前后的圖像對比效果。
線性差值4倍圖
研超分算法4倍圖
160120紅外圖像2倍超分前
160120紅外圖像2倍超分后
400300紅外圖像2倍超分前
400300紅外圖像2倍超分后
當然，優利德自主研發的紅外熱成像實時超分辨率重構算法，不僅顯著提升了低分辨率紅外圖像的質量，更展現了出色的適應性和泛化能力，能夠靈活應用于各種分辨率的紅外圖像處理中。值得一提的是，該算法采用輕量化設計，確保了其在邊緣計算設備及移動平臺上也能實現實時的圖像處理功能。
目前，該技術已在多個平臺上順利部署：在PC端，它實現了對UTi全系列PC軟件的實時超分辨率算法集成，為用戶帶來了更加清晰細膩的紅外圖像體驗；在APP端，它支持UTi手機熱像儀型號（如UTi380M、UTi120 Mobile、UTi260M等）的實時超分辨率功能，實現了移動端的便捷高效圖像處理；在設備端，該算法已成功應用于UTi640X、UTi160S與在線式紅外熱成像儀等設備，并計劃逐步拓展至更多新品(如即將上市的UTi260B+、UTi165B+等型號），為用戶提供更為精準、高效的紅外成像解決方案。
