TIDY: Thermal Infrared Image Denoising via Wavelet Domain Entropy and Directional Stripe Index
作者: Tai Hyoung Rhee, Dong-Guw Lee, Ayoung Kim
分类: cs.RO
发布日期: 2026-06-18
🔗 代码/项目: GITHUB
💡 一句话要点
提出TIDY以解决热红外图像去噪问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 热红外成像 图像去噪 小波变换 机器人视觉 机器学习 鲁棒性提升 在线部署
📋 核心要点
- 现有热红外去噪方法在准确性与效率之间的权衡较差，无法满足机器人在线应用的需求。
- TIDY通过在小波域中去噪，有效分离噪声与结构内容，提升了去噪效率和效果。
- 在严苛的室内环境下，TIDY在热惯性里程计和单目深度估计等任务中表现出显著的鲁棒性提升。
📝 摘要（中文）
热红外成像因其在低光照条件下的强感知能力而受到机器人领域的青睐，但其面临严重的随机噪声和固定模式噪声，影响后续估计。现有去噪方法在准确性和效率之间的权衡较差，无法满足机器人在线部署的需求。为此，本文提出了TIDY，一种轻量级的小波域去噪器，经过真实的干净-噪声热红外数据训练。通过在小波域中重新定义去噪过程，TIDY能够有效分离噪声与结构内容，显著提高推理速度，并在多个机器人任务中表现出更强的鲁棒性。
🔬 方法详解
问题定义：本文旨在解决热红外成像中的随机噪声和固定模式噪声问题，现有方法通常在准确性和效率之间存在较大矛盾，且多基于合成噪声训练，无法适应真实环境。
核心思路：TIDY通过在小波域中进行去噪，明确分离噪声与结构内容，采用轻量级设计以提高推理速度，适合在线部署。
技术框架：TIDY的整体架构包括小波变换模块、噪声抑制模块和重构模块。首先对输入图像进行小波变换，然后在小波域中应用新引入的Wavelet Entropy和Wavelet Directional Stripe Index作为损失函数，最后重构去噪后的图像。
关键创新：TIDY引入了Wavelet Entropy和Wavelet Directional Stripe Index两个新指标，作为损失函数的补充，专门用于抑制随机噪声和条纹伪影，显著提升了去噪效果。
关键设计：在网络结构上，TIDY采用了轻量级的小波变换网络，损失函数设计上结合了新引入的指标，以确保在去噪过程中有效抑制噪声和伪影，同时保持结构信息的完整性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，TIDY在严苛的室内环境下，能够以约34Hz的速度进行推理，相较于现有方法显著提升了鲁棒性，并在热惯性里程计和单目深度估计任务中取得了一致的性能提升。
🎯 应用场景
TIDY的研究成果在室内机器人领域具有广泛的应用潜力，尤其是在需要高精度热红外成像的任务中，如环境监测、安防监控和自主导航等。其高效的去噪能力将推动热红外成像技术在实际应用中的普及与发展。
📄 摘要（原文）
Thermal infrared (TIR) imaging has been a popular choice for field robotics due to its robust perception capability under low light visual degradation, but it suffers from severe stochastic and fixed-pattern noise that breaks downstream estimation. This noise is intensified indoors due to low thermal contrast and uniform temperature distributions, contributing to the relative lack of indoor TIR deployments. Existing TIR denoising methods exhibit a poor accuracy-efficiency tradeoff, either too slow for online deployment required in robotics or insufficiently robust to severe degradation, while typically being trained on synthetic noise. Addressing these problems, we propose TIDY, a lightweight wavelet-domain denoiser trained on real clean-noisy TIR data. By reformulating TIR denoising in the wavelet domain, TIDY explicitly disentangles noise from structural content, enabling targeted suppression with reduced spatial complexity, significantly improving inference speed over prior methods (~34Hz). TIDY introduces two new metrics, Wavelet Entropy and Wavelet Directional Stripe Index, as complementary loss terms to explicitly suppress stochastic noise and stripe artifacts. Across severe indoor corruption and zero-shot settings, TIDY improves robustness and yields consistent gains in downstream robotics tasks including thermal inertial odometry and monocular depth estimation. Code and dataset is available at: https://github.com/williamrheeth/TIDY