本文介绍了一种使用深度多尺度卷积神经网络将 RGB 彩色谱转换为近红外 (NIR) 图像的方法，通过 NIR 和 RGB 像素之间的直接集成传输来训练模型，不需要任何用户指导或参考图像数据库，在召回阶段生成具有自然外观的图像，并通过保留 NIR 图像的丰富细节，将其高频特征转移至估算的 RGB 图像，本方法在一个真实世界的数据集上进行了训练和评估，该数据集包含大量夏季道路场景图像，由多 CCD NIR/RGB 相机捕获，保证了完美的像素对齐。

Apr, 2016

提出了一种使用生成对抗网络的无监督学习方法，来实现热红外相机拍摄图像的可视化处理，相较于现有的监督学习模型，该模型在 KAIST-MS 数据集上表现更好，并且对新环境具有良好的泛化性能。

Apr, 2019

通过使用基于 Transformer 的新型模型，将可见光图像转换为高保真红外图像，从而解决了低光条件下可见光图像对比度低的问题，并比现有方法在质量和数量上都有显着优势，为红外图像的下游应用提供了更有效的支持。

Apr, 2024

该研究提出了一种可见光与近红外图像融合的方法，通过使用 RGBT 传感器获取的可见图像和近红外通道的信息，利用 SSIM 损失和边缘保护等技术进行融合，并在实验证明相比其他方法，该方法在多光谱融合方面取得了更好的结果。

Jul, 2023

本研究主要探讨可见光与近红外光交叉模态图像配准的问题，提出 RGB-NIR-IRegis 基准评估方法并研究视角变化对 RGB-NIR 图像配准的挑战，设计了度量标准分析可见光和红外光图像不一致局部特征对模型性能的消极影响，并提出了使用高层语义引导的 SGFormer 基线方法，实验证明该方法的有效性。

May, 2024

本文提出了一种将视觉光谱中深度学习用于人脸识别扩展到近红外光谱的方法，其核心组件为跨光谱幻觉和低秩嵌入，可实现近红外光谱人脸图像的识别，并在 CASIA NIR-VIS v2.0 基准测试中取得了最先进的准确性。

Nov, 2016

我们提出了一种使用视觉变换器 (ViT) 对转换图像进行模型微调的新方法，该转换图像域自适应方法不会导致模型准确度下降，基于 ViT 的嵌入结构进行实施，实验证实了该方法在使用 CIFAR-10 和 CIFAR-100 数据集的加密图像时仍能防止准确度下降。

Sep, 2023

通过协作学习范式，利用潜在的跨域先验知识进行双向的全色与 NIR 色彩化任务，并通过渐进的微调和融合方法，在近红外图像光谱转换任务中表现出色，并在 NIR 和灰度色彩化任务上分别优于现有方法 4.66dB 和 3.95dB。

Aug, 2023

提出了一种名为 UniRGB-IR 的可扩展和高效框架，利用适应器（adapter）将丰富的 RGB-IR 特征引入基于 RGB 的预先训练基础模型，该方法在各种 RGB-IR 下游任务上实现了最先进的性能。

Apr, 2024

提出一种新的关键点描述方法，通过自监督匹配网络获取稳健的特征描述子。设计了一种轻量级变换网络 LTFormer 生成深层特征描述子，并通过创新的三元组损失函数 LT Loss 进一步提高匹配性能，相比手工设计的本地特征描述子表现更好，即使数据有限，也与最先进的基于深度学习的方法相媲美。

Apr, 2024