Key Issue

Motivation

要解决红外成像的增强就需要红外的数据，同时辅以解决主要成像质量问题的增强方法

渐进式增强方法可以逐步生成低质图像，并逐步做增强，只要模型可以逐渐的学会对于主要问题的增强方法，就可以解决问题

提出一种Prompt（应该是二进制串），通过这种编码来区分不同的问题与类型，是集成的还是单一的

然后经过一个编码器提取到对应的特征，融合到一起

F_{p} = ϕ (W_{f u s i o n} (Cat (F_{d e g}^{p}, F_{t y p e}^{p}))),

其中deg是退化的类型，type表示是否集成

然后再通过一个线性层得到一组参数

γ, β = W_{p} (F_{p}) .

为什么要得到这两个参数？实际上这两个参数是通道上的参数，也就是只有通道这一维度上有数值，意味着在计算上会对通道进行放缩或平移

\tilde{F}_{l} = F_{l} \otimes (1 + γ_{l}) + β_{l},

因为增强可以是对不同通道进行不同的修改，例如减弱噪声所在的通道等等

以此来得到最终每一层的特征，其中参数都是训练的目标

数据是由原图按顺序逐步做退化得到的，训练则反向做增强

其中，如果使用退化的中间GT来做中间输入的话，会导致其实没有完美解决的问题被完美解决，无法考虑这部分的梯度信息，所以用了上一次的增强结果，但是停止梯度，做为下一次的输入

这样的意思是上一次的增强梯度只影响其对应的增强模块，而不对其他模块造成影响，如果用中间GT来做输入的话，则这部分残余的退化被忽略了，实则不能

这篇文章实际上用的渐进学习方法来试着应用于真实数据，其方法上奏效，提出一个基准数据集，提出了一个不错的思路

但是若是更换顺序，或者修改某些退化细节，却不见得同样有效