Apr, 2023

LRRNet：一种用于红外和可见光图像的新型表示学习引导融合网络

PDF
TL;DR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。
deep learningimage fusionfusion networklearnable representationlow-rank representation
发现论文，激发创造
  • 利用潜在低秩表示进行红外和可见光图像融合

    本研究基于潜在低秩表示提出了一种简单有效的红外和可见光图像融合方法，该方法在保持轮廓信息方面具有更好的性能。

    Apr, 2018

  • 图表示学习的红外和可见光图像融合

    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

  • 基于深度学习框架的红外和可见光图像融合

    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

  • DenseFuse：红外与可见光图像的融合方法

    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

  • RFN-Nest：一种红外与可见光图像端到端残差融合网络

    本研究为解决图像融合设计中的策略选择难题，提出一种基于深度学习的残差融合网络（RFN-Nest）以及两种新的损失函数，并通过创新的两阶段训练策略训练模型。实验结果表明，相较于现有方法，该端到端融合网络在主观和客观评估中表现更佳。

    Mar, 2021

  • 跨光谱图像块匹配的关系表示学习网络

    通过创新的关系表示学习方法，同时关注个体内在特征和图像补丁特征之间的关系，构建了一种轻量级的关系表示学习网络（RRL-Net），包括自动编码器、特征交互学习模块、多维全局到局部注意力机制以及基于注意力的轻量级特征提取网络。经过大量实验验证，该网络在多个公共数据集上取得了最先进的性能。

    Mar, 2024

  • 低秩表示与深度展开相结合：一种广义且可解释的用于高光谱异常检测的网络

    通过构建更具鲁棒性的 AIR-HAD 基准数据集，利用 LRR-Net$^+$ 模型在复杂场景下解耦背景结构和对象属性，消除干扰目标引入的偏差，结合物理模型和深度学习技术，实现自动参数优化和提升检测性能和泛化能力。

    Feb, 2024

  • ReFusion: 通过元学习从重建中学习可学习损失的图像融合

    我们提出了一种名为 ReFusion 的统一的元学习图像融合框架，通过重构源图像来学习最佳融合损失函数，解决了深度学习图像融合算法中由于缺乏确定性的标准和距离测量而存在的问题，并能够成功适应多种融合任务。

    Dec, 2023

  • 物理启发的密集融合网络用于重新照明

    本文提出了一种基于深度学习的图像去光照方法，将传统方法和深度学习模型相结合，并且通过物理洞察力量化来丰富神经网络，实现了对图像的更好去光照。

    May, 2021

  • HyperINR: 一种快速预测的超网络，通过知识蒸馏实现隐式神经表示

    本文引入 HyperINR，一种新颖的超网络架构，通过利用多分辨率哈希编码单元的集合，直接预测一个紧凑的 INR 的权重，从而提高了 INR 的推理性能和支持交互式虚拟现实。

    Apr, 2023