本研究提出一种更健壮和噪声抗性的跨模态融合策略 - CrossFusion，充分利用设计的跨模式补充策略的相机和 LiDAR 特征，实验表明我们的方法不仅在不引入额外深度估计网络的情况下优于现有方法，还证明我们的模型具有噪声抗性和不需要重新训练，能够应用于特定故障场景，增加了 5.2％的平均精度（mAP）和 2.4％的归一化检测得分（NDS）

Apr, 2023

本研究在智能手机摄像方面，调查了计算资源利用率和图像质量之间的权衡，通过对 Motorola 智能手机拍摄的图像进行了多种融合方法、融合权重、帧数和堆叠技术的组合的实验，旨在找到能够平衡计算效率和图像质量的最佳配置。结果表明，多尺度方法及其单尺度融合方法在图像质量和运行时方面的表现相似，但单尺度方法的内存使用较低。此外，本研究还发现在 YUV 颜色空间中进行融合的方法在图像质量、资源利用和运行时方面表现更好。研究还表明，融合权重对图像质量、运行时和内存总体上影响较小。此外，研究结果显示，增加曝光程度高的输入帧数并不一定能够提高图像质量，却会增加计算资源使用和运行时；而堆叠方法虽然降低了内存使用，却可能会损害图像质量。最后，本研究强调在受限环境中为图像融合技术选择合适的配置的重要性，并为未来智能手机应用领域的图像融合方法的发展提供了一些见解。

Jun, 2024

本文通过对视频驾驶员观察中的决策级别融合策略进行比较和评估，从视觉识别和多模态识别角度提出决策级别融合的方案，旨在指导融合策略的选择。

Apr, 2022

该论文介绍了使用 LiDAR 和摄像头进行传感器数据融合以实现自主机器人的自由空间检测，并通过高斯过程回归的分辨率匹配算法来更好地利用多模式传感器数据流以提高感知步骤的性能表现。

Oct, 2017

本文提出了一种新颖的多模态人体活动识别系统，并使用了两种流的决策级融合来融合视觉和惯性传感器的信息，通过此方法准确率远高于现有的最先进方法。

Jun, 2023

本研究针对自动驾驶的核心传感器进行研究，发现同时融合相机和 LiDAR 两种模式可以显著提升其性能。然而，由于当前数据集来自于昂贵的数据收集车辆，无法完全反映真实数据分布。 因此，我们提出了一种系统性的鲁棒性基准测试工具包，并在 nuScenes 和 Waymo 中建立了鲁棒性基准测试，针对当前的融合方法进行综合性分析。最后，我们提出了一种高效的鲁棒性训练策略。

May, 2022

本研究提出使用手机的 GPS、罗盘和重力传感器等附加传感器来解决室外场景下相机定位的挑战性问题，通过开发出直接的二维 - 三维匹配网络和采集公开数据集等手段，证明了该方法的有效性。

Apr, 2023

多模式物体检测中的标定问题对传感器之间的融合至关重要，本研究通过实验证实了标定偏差对检测性能的严重影响，并提出基于语义分割的重新标定模型，以提高多模式标定偏差的性能和鲁棒性。

May, 2024

本文回顾了旨在在智能手机上部署深度学习模型以实现高效视觉图像增强的首次挑战赛，其中包括经典的图像超分辨率问题和实际中的照片增强问题等。经过实验证明，所提出的解决方案显著改善了现有基线结果，定义了智能手机图像增强领域的最新技术水平。

Oct, 2018

该论文设计了一种基于多曝光融合的低光图像增强框架，使用光照估计和相机响应模型来综合多副本图像，并通过融合算法实现了对比度和明度的准确提升。实验表明，该方法较其他现有方法更少引入对比度和亮度失真。

Nov, 2017