论文介绍
在实际红外（IR）成像系统中，有效学习一致的条纹噪声去除模型至关重要。现有的大多数去条纹方法因跨层级语义间隙和全局列特征表征不足，无法精确重建图像。为解决这一问题，提出了一种新型红外图像去条纹方法——非对称采样校正网络（ASCNet），该方法能有效捕获全局列关系并将其嵌入U形框架，提供全面的判别性表征和无缝语义连接。
ASCNet由三个核心组件构成：残差哈尔离散小波变换（RHDWT）、像素洗牌（PS）和列非均匀性校正模块（CNCM）。RHDWT作为一种新型下采样器，通过双分支建模将条纹方向先验知识与数据驱动的语义交互有效结合，从而丰富特征表征。针对条纹噪声的语义模式串扰问题，引入PS作为上采样器以避免过度先验解码，实现无语义偏差的图像重建。每次采样后，CNCM在长程依赖中捕获列间关系，通过融合列、空间及自依赖信息，建立全局上下文以区分场景垂直结构与条纹噪声。
在合成数据、真实数据及红外小目标检测（IRSTD）任务上的大量实验表明，所提方法在视觉和定量指标上均优于当前最先进的单幅图像去条纹方法。代码已开源：https://github.com/xdFai/ASCNet。
文章地址：
改进步骤
步骤1
新建ultralytics\nn\extra_modules\block.py，添加如下代码：
