本研究提出了一种基于无监督深度学习模型的多焦点图像融合方法，该方法通过训练编码器 - 解码器网络获得输入图像的深层特征，并使用这些特征及空间频率来衡量活动水平和决策图，最终应用一些一致性验证方法来调整决策图并得出融合结果，与之前的方法相比，该方法分析深层特征中的锐利外观而非原始图像中的锐利外观。实验结果表明，与现有的 16 种融合方法相比，该方法在客观和主观评估中均取得了最先进的融合性能。

Aug, 2019

该研究论文设计了一种基于引导网络和卷积分解的多模态特征融合方法，旨在实现在自动驾驶等机器人应用中高精度的深度图像恢复。该方法针对现代 LiDAR 传感器只能提供稀疏深度测量的问题，通过使用同步引导 RGB 图像，并从引导图像中预测核权重，以此来提取深度图像特征，该方法能够高效准确地处理深度数据恢复，具有很高的实用价值和应用前景。

Aug, 2019

提出了一种有效的轻量级编码器 - 解码器网络以及其他相关模块，用于在移动机器人中进行 RGB-D 语义分割，通过跨模态相关性和补充线索可以准确提取多层次 RGB-D 特征，实验结果表明该方法在分割准确性、推理时间和参数方面具有更好的权衡。

Aug, 2023

本文提出了一种卷积神经网络，它可以基于高分辨率强度图像得出上采样一系列稀疏范围测量的上下文线索，并且在网络中分离、融合两种模态的上下文线索，旨在利用两种模态之间的关系来产生准确的结果，同时尊重显著的图像结构。通过实验结果表明，该方法与当前最先进的方法相媲美，并可在多个数据集上进行有效泛化。

Feb, 2019

本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

May, 2019

本文提出了一种在编码器 - 解码器框架下加入引导网络的方法，以模拟输入图像的属性特征为该任务带来了显著的性能提升，并通过在 MS COCO 数据集上进行的实验进行了验证。

Apr, 2018

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

深度补全是自动驾驶中关键的任务之一，旨在将稀疏的深度图转化为密集的深度预测。通过基于 RGB 图像的融合，我们提出了一种简洁而有效的网络结构 CENet，实现了高性能深度补全，具有优秀的准确性和效率。

Jan, 2024

本文提出了一种有效的编码器 - 解码器模型和基于注意力的融合模块，以集成 RGB-Depth 图像的特征，从而提高语义分割的精度和计算效率。实验结果表明，该模型在计算成本和模型大小方面大大超越了现有的最先进模型，并且在准确性方面具有良好的性能。

Dec, 2019

本研究提出了一种基于神经网络的端对端算法，采用融合策略从浑浊图像中直接恢复出清晰图像，并实现多尺度处理以避免光晕伪影，实验证明该方法在合成和真实图像中都有优于现有算法的表现。

Mar, 2018