基于PCNN的图像恢复技术优化及人工智能迭代升级

《Scientific Reports》：Optimization of image restoration technology and AI iterative upgrade based on PCNN

　　

摘要

本研究旨在提升图像恢复任务中图像细节恢复、结构保留与模型适应性之间的整体平衡。研究提出了一种结合了人工智能（AI）的优化脉冲耦合神经网络（PCNN）图像恢复模型，充分利用了PCNN在图像处理方面的生物启发式优势。在模型构建方面，设计了一个具备端到端训练能力的PCNN-AI恢复系统。PCNN主干网络提取图像的时间脉冲特征，而AI模块则自适应地优化关键参数，如耦合系数和触发阈值。实验设计使用DIV2K数据集生成了多种图像退化样本。对比结果表明，该优化模型在图像质量方面具有显著优势：对于城市建筑图像，其峰值信噪比（PSNR）达到34.07，结构相似性指数（SSIM）为0.957，学习感知图像块相似性（LPIPS）为0.036。该模型在性能上优于Swin Transformer for Image Restoration（SwinIR）、Nonlinear Activation Free Network（NAFNet）和Restoration Transformer（Restormer）等模型。在仿真实验中，该模型展现出较强的鲁棒性和可解释性，结构显著性匹配度为0.94，语义一致性投影率为0.97，远超对比模型。因此，本研究为图像恢复提供了融合路径，兼顾了结构建模、生物机制与AI优化，对图像恢复任务的算法设计和系统部署具有理论价值和工程应用意义。