基于 ResNet 和零相位分量分析的红外与可见光图像融合
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
本研究提出了一种基于深度学习的图像融合算法,通过使用自对准模块和细节补全模块实现图像对齐和特征融合。在神经结构搜索的基础上,找到了更加紧凑和高效的网络结构,实现了比较优异的成果。
May, 2023
本文提出一种基于自编码器的图像融合网络,通过分解图像特征,实现融合的可靠性和细节纹理信息的丰富性,取得了较好的实验效果和鲁棒性。
Mar, 2020
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
本论文提出了一种新的图像质量评估框架,采用细粒度网络获取多尺度特征,并设计一种交叉减法块用于在正负图像对内分离和收集信息,从而实现特征空间中的图像比较。实验结果表明,相比目前主流的图像质量评估方法,该网络可以实现更准确的图像质量评估,并在 CLIC 的图像感知模型赛道中排名第二。
Jan, 2024
本文探讨了如何利用一种基于深度神经网络的轻量级框架和频谱空间可分离卷积技术解决高光谱低分辨率图像与多光谱高分辨率图像相结合的问题,并在真实和人工数据集上进行了实验,取得了显著优于现有方法的结果。
Jun, 2020
本文提出了一种深度异构特征融合网络,用于增强不同深度卷积神经网络生成的特征之间的关联性,以实现基于模板的人脸识别任务,并在 IARPA Janus Challenge Set 3 (Janus CS3) 数据集上证明了本方法的有效性。
Feb, 2017
通过整合转换器模型的多尺度融合策略,本研究提出了一种新的图像融合方法,以克服使用评价指标作为损失函数所带来的局限性,并改善了整体方法的效果。
Feb, 2024
本文提出 F3Net 算法,通过交叉特征模块和级联反馈解码器,结合像素位置感知损失函数,实现高效的显著目标检测,能够在各项指标上优于现有算法。
Nov, 2019
本文提出了一种可扩展的图像压缩方案,包括特征表示和纹理表示的基本层和增强层,其通过神经网络进行分析和深层特征重建,可以在视频监控应用中实现优秀的性能表现。而实验证明该框架可以在保证精度和失真率的情况下,比传统的图像压缩方案具有更好的性能。
Mar, 2019