MMAug, 2023

相互指导的动态网络图像融合

PDF
TL;DR我们提出了一种新颖的相互引导动态网络（MGDN）用于图像融合，该网络允许有效地利用来自不同位置和输入的信息。实验结果表明，我们提出的方法在四种图像融合任务上优于现有方法。
image fusionmutual-guided dynamic networkadaptive feature extractionspatial-variant kernelsnormalized mutual information
发现论文，激发创造
  • 快速的端到端可训练引导滤波器

    本文介绍了一种基于改进 FCN 的新型构建块 —— 引导滤波层，以及结合该层的像素级别图像预测框架 DGF，并在该框架上取得了比现有方法具有更快速度和更高性能的结果。

    Mar, 2018

  • 基于门控信息融合网络的鲁棒性深度多模态学习

    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

  • 可学习的图卷积网络和特征融合用于多视角学习

    本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

    Nov, 2022

  • 引导图像恢复的同时特征与图像引导融合

    通过同时考虑特征和图像级别的引导融合，我们提出了一种 Simultaneous Feature and Image Guided Fusion (SFIGF) 网络用于图像导向恢复任务，该网络结合了传统的引导滤波机制和深度学习方法，旨在同时恢复图像的上下文信息和细节信息。

    Dec, 2023

  • 学习跨模态交互的图神经网络用于图像融合

    提出了一种基于交叉模式的互动图神经网络（GNN）的架构，称为 IGNet，用于红外和可见光图像融合，通过构建图结构实现了不同模态之间的互动学习，从而提高融合图像的表达和下游任务的性能。

    Aug, 2023

  • MFGNet: 基于动态模态感知滤波器生成的 RGB-T 跟踪网络

    提出一种名为 MFGNet 的动态模态感知滤波器生成模块，其能够通过自适应调整卷积核来增强可见和热数据之间的信息交流，以解决 RGB-T 跟踪中的遮挡、快速运动和视野范围限制等问题，并且实验表明该算法的有效性。

    Jul, 2021

  • 基于生成的融合机制的多模态追踪

    通过使用生成模型的融合机制，本研究在多模态跟踪中展示了生成模型的潜力，并通过实验证明该方法取得了最新的性能记录。

    Sep, 2023

  • 引导深度解码器：无监督图像对融合

    本研究提出了一种基于引导式深度解码器网络的通用先验，该网络由一个利用引导图像的多尺度特征的编码器 - 解码器网络和一个生成输出图像的深度解码器网络组成，并通过特征细化单元将引导图像的多尺度特征嵌入深度解码器网络，允许网络参数在无监督学习的情况下进行优化，实现了多种图像融合问题的最新性能。

    Jul, 2020

  • 自适应动态滤波网络用于图像去噪

    本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法，其中采用了增强空间上下文信息的核生成模块 (SEKG) 以及动态卷积块 (DCB) 和多尺度动态卷积块 (MDCB)。此外，还提出了多维特征集成 (MFI) 机制，旨在融合多尺度特征，从而提供具有精确性和丰富上下文特征的表征。最终，使用所提出的算法构建的 ADFNet 在真实世界和合成高斯噪声数据集上取得了更好的性能，且具有较低的计算复杂度。

    Nov, 2022

  • DeepFuse：一种利用极端曝光图像对进行深度非监督式曝光融合的方法

    提出了一种新的深度学习架构，用于融合静态多曝光图像，并使用无监督的深度学习框架，利用无参考质量度量作为损失函数进行训练。使用从每个图像中提取的低级特征生成无伪影感知愉悦的结果，这种方法在自然图像方面优于现有的最先进方法。

    Dec, 2017