提出一种用于短波红外人脸图像与可见光人脸图像翻译的改进CycleGAN框架。基于CycleGAN框架,新增了损失函数计算通路并设计了新损失函数。建立数据集并通过实验调整模型参数,改进模型在人脸图像上的翻译效果,有效克服光谱特性不同带来的图像模态差异,提升了图像的可观察性。在自建数据集上进行实验验证,将所提框架与其他常用框架从主观评价、FID(Fréchet inception distance)及识别准确率三个方面进行比较。结果表明,所提框架提升效果明显,更好地保持了原目标的结构特征,有效提升了图像翻译结果的可观察性和识别准确率。
标题中的“基于生成对抗网络的短波红外-可见光人脸图像翻译”指的是使用深度学习中的生成对抗网络（GAN）技术，来实现短波红外（SWIR）和可见光（Visible Light）人脸图像之间的转换。这一过程称为图像翻译，是图像处理领域的一个重要课题，旨在使不同光谱下的图像能够在视觉上互换，同时保持关键特征的一致性。
描述中提到的改进CycleGAN框架是针对原始的CycleGAN模型进行优化。CycleGAN是一种无监督学习方法，用于两个不同域之间的图像转换，它通过两个对抗网络（一个用于将源域图像转换为目标域，另一个反之）互相竞争来学习映射函数。在此基础上，研究者添加了新的损失函数计算路径，并设计了独特的损失函数，目的是提高模型在人脸图像翻译上的表现，尤其是在克服因光谱特性差异导致的图像模态差异方面。
损失函数在深度学习中起着至关重要的作用，它们衡量模型预测与真实结果之间的差距，指导网络权重的更新。在这个研究中，新增的损失函数可能包括对抗损失（Adversarial Loss）、循环一致性损失（Cycle Consistency Loss）以及可能的额外结构相似性损失（Structural Similarity Loss），这些都可能有助于保持人脸的结构特征，并提升转换后图像的可观察性和识别准确性。
实验部分提到，研究人员创建了一个数据集，通过实验调整模型参数以优化翻译效果。他们还使用了主观评价、FID（Frechet Inception Distance）和识别准确率三个指标来评估模型性能。FID是一种评估生成图像质量的指标，它测量生成图像分布与真实图像分布之间的距离。而识别准确率则关注转换后的人脸是否仍能被正确识别。
实验结果显示，提出的框架在保持原始目标的结构特征、提高图像可观察性和识别准确率方面具有显著优势。这表明，该框架成功地解决了光谱差异带来的挑战，使得短波红外和可见光人脸图像之间的转换更加自然且信息保留更完整。
这篇研究聚焦于利用生成对抗网络改进短波红外和可见光人脸图像的转换效果，通过优化CycleGAN模型，设计新的损失函数，以及采用多维度评估方法，提高了图像转换的质量和实用性，对于人脸识别和跨光谱图像处理等领域具有重要意义。
