```json { "answer": "MD2C-Mamba: 面向无人飞行器热成像图像超分辨率的多领域分治 Mamba 框架" } ```

《IEEE Transactions on Consumer Electronics》：MD2C-Mamba: Multi-Domain Divide-and-Conquer Mamba Framework for AAV Thermal Image Super-Resolution

　　摘要：热成像技术显著增强了消费级自主航空器（AAV）在夜间、雾天及其他恶劣环境下的感知能力。然而，这些系统获取的热成像分辨率不足，成为自主决策的一大障碍。此外，热成像超分辨率（SR）面临背景像素分布均匀、目标区域稀疏等挑战，需要能够有效捕获长程依赖关系以及细粒度局部和全局信息的模型。本文提出了一种基于Mamba架构的新型分治网络MD2C-Mamba。MD2C-Mamba创新性地通过考虑局部和全局空间域以及频域来解析潜在特征空间，实现对超分辨率结果的逐步优化。具体而言，我们引入了视觉中心的州空间模块（SSM）以捕获长期空间依赖关系，从而提升细节恢复效果。此外，我们设计了一个特征映射模块，利用小波变换捕获图像中的局部特征和纹理信息，并通过全局分支与局部分支的整合增强特征表示。为解决模态差异和语义对齐的挑战，我们开发了一个多域注意力融合模块（MDAF），采用交叉注意力机制。这实现了特征的互补交互与融合，增强了全局和局部特征，最终提升了模型的鲁棒性。大量实验结果表明，所提出的MD2C-Mamba方法超越了现有最先进的超分辨率方法，产生了更逼真的细节，并在多项评估指标上取得了卓越性能。I. 引言近年来，随着消费级自主航空器（AAV）市场的快速发展，该领域对热成像系统的需求持续增长。同时，热成像技术在AAV中的集成显著提升了其在恶劣天气和低光条件下监测各种场景的能力。该技术具有广泛的应用范围，并在灾害监测[1]、消防救援[2]和军事行动[3]中已取得了显著成果。例如，安装在AAV上的热成像系统能够清晰探测目标，为军事人员提供关键的战场情报。然而，为了降低被发现和潜在攻击的风险，AAV通常在较高高度运行。这种运行限制导致获取的低分辨率（LR）热成像，这些图像通常受到运动模糊和大气湍流的退化影响。因此，这些畸变导致了细节的严重丢失，损害了图像的整体质量和实用性。热成像分辨率不足成为推进AAV热成像技术发展与应用的关键障碍。