可见光到红外图像转换网络产品系统

本项目面向夜间监控、安防巡检、自动驾驶感知和低照度视觉等场景。可见光相机成本低、部署广，但在夜间、逆光、雾霾等条件下成像质量下降；红外相机能感知热辐射，但设备成本高。项目通过深度学习将可见光图像转换为具有热辐射特征的红外图像，为低成本设备提供“虚拟红外”感知能力，可用于夜间目标轮廓增强、行人/车辆热源区域分析、算法预研和教学演示。

项目包含完整的数据加载、模型训练、验证、推理和评估流程。数据模块支持 LLVIP 可见光/红外配对图像读取、256×256 缩放、归一化和内存预加载；模型模块实现 6 层编码器-6 层解码器结构，并在对应尺度加入跳跃连接；训练模块使用 L1 重建损失、Adam 优化器、每 N 轮保存权重、断点续训和最佳模型保存；推理模块支持单张可见光图像生成红外图像；评估模块计算 PSNR、SSIM，并可结合 pytorch-fid 计算 FID。项目还提供网络结构图和输入/生成/真值对比图，便于复现和展示。

我独立负责网络结构、数据处理、训练流程、推理和评估脚本的实现。技术栈为 Python、PyTorch、NumPy、Pillow、OpenCV、scikit-image。实现亮点：采用编码器-解码器对称结构，在编码器和解码器对应层之间加入跳跃连接，将浅层边缘纹理与深层语义特征融合；使用 L1 重建损失提升边缘清晰度；加入数据预加载、断点续训和最佳模型保存，保证长周期训练可恢复。难点在于可见光与红外存在明显域差异，早期 CycleGAN 方案训练不稳定、PSNR 仅约 13dB；通过简化网络、改为配对监督学习、加入跳跃连接和充分训练，最终在测试集达到 PSNR 28.99dB、SSIM 0.9477、FID 0.46。