本文提出一种专门针对可见光 - 红外多模态下的数据增强方法，可以减小在复杂场景下 RGB 和 IR 图像损坏的影响，鼓励模态之间的协作并加强泛化能力，结果表明采用该策略训练的 V-I ReID 模型可以在多个数据集上胜过未进行数据增强的模型。

Nov, 2022

本论文提出了一种四流框架，通过深度卷积神经网络中不同的输入图像表示来学习不同的特征，从而改善可见光 - 红外人员重识别系统的性能。实验结果表明，该框架在多个数据集上优于当前最先进的方法。

Jul, 2019

通过引入一个新的模态统一网络（MUN），本研究针对可见光 - 红外人员重识别（VI-ReID）中的大量跨模态差异和类内变异问题，通过动态建模模态特定和模态共享表示来提取判别特征表达，从而使所提出的方法在多个公共数据集上明显超过当前最先进的方法。

Sep, 2023

通过多尺度语义相关性挖掘网络（MSCMNet），从不同的模态中提取有区分性的特征用于匹配的任务中，最大的挑战在于如何全面利用语义特征以及尽可能减少特征提取中的模态信息损失。该网络包含三个主要组成部分：多尺度信息相关性挖掘模块（MIMB）用于关联多尺度语义特征，四重流特征提取器（QFE）用于从数据集的不同维度提取信息以丰富语义信息，以及四重中心三重损失（QCT）用于解决综合特征中的信息差异问题。在 SYSU-MM01、RegDB 和 LLCM 数据集上进行的广泛实验表明，所提出的 MSCMNet 具有最高的准确性。

Nov, 2023

提出了一种名为多层交叉模态联合对齐（MCJA）的简单而有效的方法，它通过模态对齐增强和跨模态检索损失来缩小可见光和红外图像之间的差距，从而实现人员再识别任务的跨模态图像检索。

Jul, 2023

通过互信息和模态一致性网络，提取具有代表性信息的模态不变身份特征，减少冗余，消除模态差异，并对关键部分进行全局 - 局部特征提取，以实现可见 - 红外人物重识别任务。

Aug, 2023

本文提出了一种名为 PMT 的深度学习框架，它采用渐进式共享模态转换器来解决 VI-ReID 任务中复杂的模态变化问题，并对模态共享特征进行可靠度和共性分析；同时提出了一种 Discriminative Center Loss (DCL)，结合 Modality-Shared Enhancement Loss (MSEL) 来缓解大内部差异和小类间差异问题，从而更好地区分共享特征，该框架在 SYSU-MM01 和 RegDB 数据集上的表现优于现有的大多数最新状态 - of-the-art 方法。

Dec, 2022

本文提出了 Patch-Mixed Cross-Modality framework (PMCM) 框架，该框架通过图片分割并拼接，实现了不同模态下人员识别过程中的语义对应，同时在视觉可见光和红外人员重识别任务中取得了最佳表现。

Feb, 2023

无监督可见红外人员重新识别 (UVI-ReID) 是研究的重点，文章提出了一种新的无监督跨模态人员重新识别框架 (PRAISE)，通过修正伪标签和模态层对齐策略来提高性能，并在两个基准数据集上取得了最新的成果。

Apr, 2024

本文提出一种基于 Aligned Grayscale Modality (AGM) 的跨模态人员重识别方法，通过生成灰度可见光图像和风格迁移转换红外图像得到一致的数据，再结合多颗粒度特征提取网络在特征级别进行对齐，能够显著提高跨模态检索表现。

Apr, 2022