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

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

我们提出了一种多尺度双注意 (MDA) 框架，用于红外和可见光图像融合，在图像和块级别测量和整合互补信息，并通过损失函数在结构和特征级别进行融合。

Dec, 2023

将可见光和红外图像融合成一幅高质量图像是许多下游视觉任务中具有挑战性但关键的任务。本文提出了一种简单而有效的可见光和红外图像融合框架 SimpleFusion。该框架通过 Retinex 理论将可见光和红外图像分解成反射和光照部分，并进行相应元素的融合。整个框架采用两个简单的卷积神经网络设计，无需降采样，能够高效地执行图像分解和融合。此外，我们引入了分解损失和细节到语义损失来保留两种模态之间的互补信息进行融合。通过在具有挑战性的基准测试上进行广泛实验，验证了我们方法在之前最先进方法上的优越性。

Jun, 2024

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

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

本文提出了一种基于双层优化的目标感知对抗学习（TarDAL）用于融合热红外和可见光图像的网络，结合了两者的共性和差异，同时建立了一套同时采集红外和光学图像的标定传感器，实现了对不同场景的目标检测并获得了较高性能。

Mar, 2022

提出了一种感知感知融合框架来提高对抗环境中的分割鲁棒性，通过系统分析图像融合的组成部分与对抗扰动下的分割鲁棒性的相关性，并提出一种基于分解结构的协同设计方法来平衡标准准确率和鲁棒性，以及一种自适应学习策略来提高图像融合的参数鲁棒性。实验结果表明，与先进竞争对手相比，在对抗场景中分割的 mIOU 提高了 15.3%。

Aug, 2023

利用贝叶斯融合模型，运用 EM 算法，对红外图像和可见光图像进行融合，通过加入 total-variation penalty 来增强目标的自动检测和识别系统，从而得到具有更丰富细节和高光目标的融合图像。

May, 2020