Macro Micro News Global Pulse. Local Truth.

PSGAN: Bagaimana Pseudo-Sensing GAN Mengubah Penglihatan Cahaya Rendah untuk Aplikasi Waktu Nyata

03 November 2026 · 2 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Annie Spratt
Image by Annie Spratt

Dalam dunia pemrosesan sinyal digital yang rumit, menggabungkan gambar inframerah dan tampak menjadi alat penting untuk melihat dengan jelas dalam kondisi sulit. Teknik fusi ini mengatasi kelemahan penggunaan satu jenis sensor saja. Ia menggabungkan data termal dari sensor inframerah dengan detail tekstur kaya dari kamera cahaya tampak. Pencitraan modality tunggal sering gagal di kegelapan atau mengalami noise pada pembacaan inframerah. Namun, menyatukan dua jenis data yang berbeda ini selalu menjadi tugas sulit karena perbedaan intrinsik mereka dan tantangan lingkungan gelap.

Peneliti kini memperkenalkan solusi baru bernama PSGAN. Sistem ini menggunakan jaringan adversarial generatif dengan triple-discriminator unik yang mencakup mekanisme pseudo-sensing. Gagasan ini cukup cerdas. Ia menyelaraskan distribusi jenis gambar yang berbeda sambil mensimulasikan proses terbalik dari cara kita memandang gambar. Dengan membandingkan hasil modul pseudo-sensing terhadap gambar sumber asli, kerangka kerja ini memastikan hasil yang dihasilkan tetap konsisten secara fisik. Pendekatan ini bekerja baik tanpa memerlukan label ground-truth eksplisit untuk membimbing proses.

Arsitektur di balik PSGAN memiliki modul fusi multi-skala yang ditingkatkan bernama UNW-Fuser. Komponen ini menggunakan perhatian berbasis normalisasi dan konvolusi wavelet untuk memperluas bidang reseptif dan menyaring informasi redundan. Discriminator iluminasi juga bagian dari campuran ini, membantu mengarahkan gambar yang difusikan menuju kecerahan dan kontras optimal. Untuk mengukur keberhasilan, metode ini menggunakan kerangka evaluasi multi-kriteria berdasarkan teori bukti Dempster-Shafer, memberikan pandangan komprehensif tentang kinerja di berbagai dimensi.

Uji coba pada beberapa dataset termasuk MSRS, M3FD, TNO, dan LLVIP menunjukkan bahwa PSGAN memberikan akurasi dan generalisasi unggul dibandingkan metode state-of-the-art yang ada. Ia melakukan pekerjaan luar biasa dalam menjaga tepian tajam dan melestarikan detail tekstur sambil mempertahankan tingkat kecerahan alami. Dalam tugas downstream seperti deteksi objek, ia secara signifikan mengurangi false positive. Ada beberapa pertukaran minor dalam deteksi pejalan kaki karena perubahan kontras lokal selama peningkatan cahaya rendah, tetapi keuntungan keseluruhan sangat substansial.

Yang membuat PSGAN sangat menarik adalah desainnya yang ringan. Dengan hanya 0,127 juta parameter dan waktu inferensi 17,24 milidetik, ia menawarkan keseimbangan excellent antara kecepatan dan kualitas. Efisiensi ini menjadikannya ideal untuk aplikasi waktu nyata dalam pengemudi otonom, pengawasan, dan operasi militer di mana visi andal dalam pencahayaan buruk sangat krusial. Pengembangan masa depan mungkin berfokus pada pembuatan mekanisme gating adaptif yang sadar iluminasi untuk lebih meningkatkan kemampuan adaptasi di berbagai skenario pencahayaan.