本文提出了一种名为 TFNet 的双流融合网络，通过卷积神经网络在特征级别上融合高分辨率全色相红外图像和低分辨率多光谱图像来解决遥感图像融合问题，并通过实验验证了该方法的有效性。

Nov, 2017

本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。

Jul, 2023

本文提出了一种高效的 CNN 方法 ——MSFNet，它利用类边界监督和多特征融合模块来实现实时语义分割，并在 Cityscapes 和 Camvid 数据集上得到了比现有方法更好的结果。

Nov, 2019

本文提出了一种端到端的两阶段深度卷积神经网络框架，用于视频序列中的前景分割，该方法利用背景图像的语义和先验知识以及前景和背景的先验视觉知识，与 CDNet 2014 相比，其性能提高了 4.9％。

Jul, 2017

该研究提出了一种名为 TSNet 的两阶段图像去雾网络，主要由多尺度融合模块（MSFM）和自适应学习模块（ALM）组成，通过增强泛化性能和恢复纹理细节来实现更好的去雾效果。实验证明，相较于之前的方法，TSNet 在合成和真实数据集上表现出卓越的性能。

Apr, 2024

提出了一种名为 TSJNet 的目标和语义感知联合驱动融合网络，通过将融合、检测和分割子网络按顺序结构排列，利用来自双重高级任务的目标和语义相关信息来指导融合网络。同时，还提出了一种具有双并行分支结构的局部显著特征提取模块，充分捕捉跨模态图像的细粒度特征，促进模态之间、目标和分割信息的相互交互。在四个公开数据集上进行了大量实验证明，TSJNet 能够生成视觉上令人满意的融合结果，分别相较于现有最先进方法，在目标检测和分割的 [email protected] 和 mIoU 上平均提升了 2.84% 和 7.47%。

Feb, 2024

我们提出了一种名为 Two-stream Transformer-based Multimodal Fusion Network for survival prediction (TTMFN) 的新型框架，综合了病理图像和基因表达数据，通过多模态共同关注转换器模块和多头注意力池化方法，实现了对患者总体生存预测的最佳性能或竞争结果。

Nov, 2023

本文提出一种新的图像分割方法，该方法将全卷积神经网络 (FCN) 与水平集模型相结合。相较于单独使用 FCN，该集成方法可以结合平滑和先验信息来实现准确的分割。此外，该模型将水平集模型与训练相集成，从而可以在半监督模式下使用未标记的数据进行训练。本文使用两种医学成像数据（肝 CT 和左腔室 MRI 数据）证明了该集成方法在很少的训练数据可用的情况下也能够取得良好的性能，优于单独使用 FCN 或水平集模型。

May, 2017

通过创新的双流网络、多功能模块和半监督补丁相似性学习策略，本研究在深伪检测领域取得了显著的改进，通过六个基准测试表明具有较强的鲁棒性和普适性，并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835，将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。

Sep, 2023

在计算机辅助肿瘤诊断和治疗中，精确分割 PET/CT 图像对癌症的诊断和治疗非常重要。本文提出了一种新颖的多模态证据融合网络（MEFN），通过交叉模态特征学习（CFL）模块和多模态可信融合（MTF）模块，以有效整合 PET 和 CT 图像中的互补信息并考虑模态不确定性，进而提高肿瘤分割的准确性和可信度。通过在两个公开的 PET/CT 数据集上进行广泛的对比实验，结果表明我们的方法在 DSC 评分上分别比现有方法提高了 2.15% 和 3.23%。此外，我们的模型还能够为放射科医生提供可信的分割结果不确定性，对于临床应用非常重要。

Jun, 2024