在本篇论文中，我们提出了一种基于像素分类的新型特征学习框架，并将显著目标检测作为像素分类问题来解决，该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络，结合 ICNN 和超密集融合机制，它能够自动预测最重要的区域并以端到端的方式分割相关物体，实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。

Apr, 2018

通过使用多个卷积核和注意力机制，我们提出了 AMFusionNet，一种创新的红外和可见图像融合方法，通过吸收红外图像的热力细节和可见源的纹理特征，我们的方法生成了丰富信息的图像。实验证明，我们的方法在质量和数量上优于现有的算法，并且公开可用数据集上的性能指标也显示了显著的改进。

Aug, 2023

借助互补冗余信息传输网络（C-RITNet），本论文提出了一个能够提取和整合两种不同模态中的互补信息以生成高质量融合图像的方法，通过互信息传输模块（MIT）、冗余信息获取以源图像为监督的模块（RIASSI）和结构信息保留模块（SIP），能够解决互补信息提取和稳定边缘结构信息的挑战。

Sep, 2023

提出了一种考虑低光环境照明条件的光学和红外图像融合网络，利用自适应差分融合模块和显著目标感知模块，将提升过照明的红外和可见图像的显著特征有效地融合，生成高质量的融合图像，并验证其优于五种最先进的红外和可见图像融合方法。

Sep, 2023

基于双模性策略的先验语义引导图像融合方法提供了在智能交通系统中提高红外和可见光图像融合性能的新途径，通过设计并应用两个并行的语义分割支路和一种自适应调制机制，捕捉和整合了两个图像的重要的先验语义信息，并通过多级表示自适应融合模块进一步整合高层语义和细节，优于现有图像融合方法。

Mar, 2024

为了解决现有方法对全局空间信息的捕捉能力不足的问题，本文提出了一种考虑全局空间信息的显著性感知选择性状态空间融合模型（S4Fusion），通过设计跨模态空间意识模块（CMSA）和利用预训练网络感知融合图像中的不确定性来全面捕捉补充信息，并自适应地突出两幅图像中的显著目标，实验结果表明该方法能够产生高质量的图像并提升下游任务的性能。

May, 2024

本文提出一种名为互动上下文感知网络（ICANet）的新型网络，它通过混合两种模态的特征来实现跨模态信息以及通过 Multi-Scale Attention Reinforcement（MSAR）和 Upper Fusion（UF）模块来进行跨尺度融合，从而提高了关键目标的检测准确性。

Nov, 2022

提出一种语义结构保持的红外与可见光图像融合方法 (SSPFusion)，通过结构特征提取器和多尺度结构保持融合模块，在保持语义结构一致性的基础上生成高质量的融合图像，提升下游计算机视觉任务的性能。实验结果表明该方法在定性和定量评估上优于八个先进的图像融合方法。

Sep, 2023

设计了一个可见 - 红外融合网络用于图像去雾，并通过多尺度深度结构特征提取模块和不一致性加权融合策略，充分利用红外图像的信息来改善效果，实验证明 VIFNet 优于现有方法。

Apr, 2024

多模态显著目标检测 (MSOD) 通过将可见资源与深度或热红外资源整合，旨在提高显著性检测的性能。本文提出了一种新颖的自适应融合模块，利用一组基本融合方案的互补优势来同时处理不同挑战，以实现鲁棒的 MSOD。通过实验证明，该方法在多个数据集上相较于最先进的方法取得了卓越的性能。

Jun, 2024