这篇论文介绍了三种基于深度卷积稀疏编码网络的图像融合任务，并使用字典卷积单元将 CSC 模型和迭代收缩阈值算法泛化，从而从数据中学习所有超参数。广泛的实验和综合比较表明，与量化评估和视觉检查相关的所有性能指标中，所提出的网络优越性显著。

May, 2020

本研究提出了一种多模态非对称 UNet（MMA-UNet）的方法，通过为不同模态分别训练专门的特征编码器和实施交叉尺度融合策略，在相同的表示空间中保持不同模态的特征，从而实现了可视化自然且语义丰富的红外和可见光图像信息融合。该方法在融合效率上优于现有的对比融合方法。

Apr, 2024

该论文提出了一种新的统一的多模式图像综合方法，包括通过生成敌对网络从任意可用模式的组合中合成丢失的模态，并使用共性和差异敏感编码器及动态特征统一模块来提高图像合成质量和适应性，实验结果表明该方法在处理多种综合任务时具有优越的性能。

Apr, 2023

本文提出了在监督医学图像分析中进行图像融合方案的概念架构，实现了基于卷积神经网络的三种图像融合方案，并将其结合成单个框架，用于同时分析多模式图像，检测软组织肉瘤的存在，并发现在特征级别融合的情况下，性能最好，但当任何图像模式存在大误差时，其鲁棒性会降低。

Oct, 2017

基于扩散的稳定预训练的多模态控制图像恢复方法将文本级和视觉级的信息整合到去噪 U-Net 模型中，实现多模态信息的可控图像恢复，通过定性和定量的结果对比验证其在合成和真实数据集上的优越性。

Jul, 2024

本文介绍了一个新颖的 CNNs 图像恢复架构，名为 MIRNet，该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征，能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明，MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。

Mar, 2020

基于 BiseNet 的多尺度协方差特征融合网络 (MCFNet) 提出了一种新的架构，引入了新的特征细化模块和特征融合模块，并提出了名为 L-Gate 的门控单元来过滤无效信息和融合多尺度特征，实验结果显示我们的方法在 Cityscapes 和 CamVid 数据集上取得了竞争性的成功，其中在 Cityscapes 数据集上获得了 75.5% 的平均交并比 (mIOU) 和 151.3FPS 的速度。

Dec, 2023

在本文中，我们提出了一种多模态图像融合（MMIF）框架，旨在解决多个可见光图像与红外图像的焦点区域不同的融合问题。通过引入半稀疏平滑滤波器对图像进行分解为结构和纹理成分，并提出了一种新的多尺度操作器对纹理成分进行融合。同时，我们考虑结构成分中能量信息的分布，以实现场景亮度的有效捕捉和合理的对比度维持。实验结果表明，该算法在视觉感知和数量化评估方面均优于现有的方法。

Nov, 2023

本文提出了一种在存在不完善模态的情况下设计稳健的深度多模态学习体系结构的方法 - 通过使用深度融合架构进行目标检测，并使用带有门控信息融合网络调节贡献权重进行构建，以实现具有抗干扰性的性能表现提高，对于 KITTI 数据集的单发探测器（SSD），本文通过数据增强方案和提出的融合网络取得了显著的性能提升。

Jul, 2018

通过卷积融合网络 (CFN) 和适应性权重的学习，实现多尺度深度表示的高效融合，并在场景识别、细粒度识别和图像检索等任务中获得显著改进。

Nov, 2016