- A+
美国加州大学欧文分校的科学团队开发了一款夜视相机系统，其将人工智能(AI)与红外相机相结合，使其即使在黑暗的环境下也可拍摄出彩色照片。
人的视觉器官有感觉外界物体的光和颜色的功能，可见光的波长范围一般是380nm至780nm，称为可见光谱。红外光存在于700nm以上，所以如果没有特殊技术的帮助，人类肉眼是看不见的，而许多夜视系统可检测到红外光并将其转换为数字显示器，为人类提高单色视图。
该团队努力使这一过程更进一步，将红外数据与预测颜色的人工智能算法相结合，以与可见光谱中存在光时相同的方式呈现图像。
经典的夜视系统将场景渲染为单色绿色显示，而较新的夜视系统使用超灵敏相机来检测和放大可见光。该团队表示：“低照度成像的计算机视觉任务已经采用图像增强和深度学习来帮助从红外光谱中检测和表征物体，但不能准确解释可见光谱中的同一场景。”因此，他们想改变这一点。
为了实现这一目标，该团队使用对可见光和近红外光敏感的单色相机来获取在多光谱照明下人脸打印图像的图像数据集，涵盖标准可见红色(604nm)、绿色(529nm)、蓝色(447nm)、以及红外波长(718、777和807nm)。
该团队表示：“传统相机获取蓝色(B)、绿色(G)或红色(R)数据像素，以生成人眼可感知的彩色图像。我们研究了是否可以使用深度学习处理红色和近红外(NIR)光谱中的红外光源组合，以重构具有与可见光谱光可视化相同外观的图像。我们用有限的颜料建立了一个受控的视觉环境，以检验我们的假设，即DL可以使用人眼不可见的NIR照明渲染人类可见的场景。”
该团队优化了卷积神经网络，仅根据红外信息预测可见光谱图像，其将这项研究描述为从近红外照明预测人类视觉的第一步。
该团队解释道：“为了从单个或组合波长照明预测RGB彩色图像，我们评估了以下架构的性能：基线线性回归、受U-Net启发的CNN(UNet)和增强对抗性损失的U-Net(UNet-GAN)。”
该团队进一步的工作可以极大地促进各种应用，包括夜视和对可见光敏感的生物样本的研究。但目前，该系统只能在人脸上成功运行。
随着更多的输入数据和进一步的研究，我们相信此系统会更加精准可靠。
