本文提出了一种基于深度学习以及低秩表示为基础的图像融合网络构建方法，可以通过学得的模型来引导网络构造，以实现最佳的融合效果。在公共数据集中的实验结果表明，本文所提出的方法比其他现有的方法在融合性能方面具有更好的表现，而且所需的训练参数比其他方法要少。

Apr, 2023

本文提出了一种基于深度学习框架的有效图像融合方法，该方法能够将红外图像和可见光图像的所有特征生成单个图像。实验结果表明，该方法在客观评估和视觉质量方面均达到了最先进的性能。

Apr, 2018

通过使用图卷积网络（GCNs）提取非局部自相似性（NLss），本论文探索了红外和可见图像融合的关键问题，并实现了级联的 NLss 提取模式来提取多种模式下的 NLss，并在三个数据集上的大量实验中证明了该方法的有效性和优越性。

Nov, 2023

我们提出了一种多尺度双注意 (MDA) 框架，用于红外和可见光图像融合，在图像和块级别测量和整合互补信息，并通过损失函数在结构和特征级别进行融合。

Dec, 2023

利用贝叶斯融合模型，运用 EM 算法，对红外图像和可见光图像进行融合，通过加入 total-variation penalty 来增强目标的自动检测和识别系统，从而得到具有更丰富细节和高光目标的融合图像。

May, 2020

将可见光和红外图像融合成一幅高质量图像是许多下游视觉任务中具有挑战性但关键的任务。本文提出了一种简单而有效的可见光和红外图像融合框架 SimpleFusion。该框架通过 Retinex 理论将可见光和红外图像分解成反射和光照部分，并进行相应元素的融合。整个框架采用两个简单的卷积神经网络设计，无需降采样，能够高效地执行图像分解和融合。此外，我们引入了分解损失和细节到语义损失来保留两种模态之间的互补信息进行融合。通过在具有挑战性的基准测试上进行广泛实验，验证了我们方法在之前最先进方法上的优越性。

Jun, 2024

本文介绍了一种新的深度学习架构，用于红外和可见图像融合问题。相对于常规卷积网络，我们的编码网络由卷积层，融合层和稠密块组合而成，其中每个层的输出与每个其他层相连。我们尝试使用这种架构从源图像中获得更有用的特征。并且设计了两个融合层（融合策略）来融合这些特征。最后，使用解码器重建融合图像。与现有的融合方法相比，所提出的融合方法在客观和主观评估方面均取得了最先进的性能。代码和预训练模型可在此 https URL 上获得。

Apr, 2018

我们提出了一种基于分解和干扰感知的图像融合方法，通过对可见图像的散射程度进行像素分类并分离图像的细节和能量信息，实现对复杂场景中的干扰像素的更好识别，并结合自适应降噪和加权融合规则，得到在复杂场景下优越的图像融合效果。

Feb, 2024

通过使用多个卷积核和注意力机制，我们提出了 AMFusionNet，一种创新的红外和可见图像融合方法，通过吸收红外图像的热力细节和可见源的纹理特征，我们的方法生成了丰富信息的图像。实验证明，我们的方法在质量和数量上优于现有的算法，并且公开可用数据集上的性能指标也显示了显著的改进。

Aug, 2023

提出了一种自适应多尺度融合网络（AMFusion），通过红外和可见图像的融合规则，分别调整光照分布和提高检测准确性，从而实现针对夜晚物体检测的性能提升。

Mar, 2024