走向 RGB-NIR 跨模态图像配准及其更深层次的研究
本文提出了一种自适应场景红外和可见图像配准方法,其使用多模态传感器模块进行场景感知。该方法采用反演平移过程建立多模态图像的不变性域,并利用单应性对不同平面间的变形进行仿真,并通过残差估计、相关性搜索等方法实现更准确的匹配,最终验证了该方法的有效性。
Apr, 2023
本文提出了一种新颖的端到端对齐生成对抗网络 (AlignGAN),以联合像素和特征对齐减轻 RGB-IR RE-ID 任务中的跨模态和内模态差异,并学习一致身份特征,在 SYSU-MM01 数据集上取得了优于当前最先进方法的结果。
Oct, 2019
本文提出了一种基于生成和配准的深度学习方法,用于无监督热红外图像和可见光图像的融合,通过生成伪红外图像并使用多级配准网络实现图像配准,在特征交互融合模块中,对所选择的特征进行融合,以提高融合质量和鲁棒性。
May, 2022
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
提出了一种自适应跨模态目标跟踪算法 Modality-Aware Fusion Network(MAFNet),它通过自适应加权机制有效地整合 RGB 和近红外模态的信息,弥合了外观差距,实现了模态感知的目标表示。
Dec, 2023
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
本研究提出了一种新方法,通过生成跨模态的配对图像并进行全局和细粒度实例级别的对齐,使 RGB-IR Re-ID 的性能得到改善,实验证明该方法在两个标准基准测试中表现优于现有的最新技术。
Feb, 2020
SIM 是一种新的相似度推理度量方法,它利用两个不同视角的内模态样本相似性来挖掘跨模态样本相似性,从而通过连续相似度图推理和互惠最近邻推理来解决 RGB - 红外交叉模态人员重新识别的问题。
Jul, 2020
通过有效利用近红外图像辅助可见光图像去噪,提出了一种选择性融合模块(SFM)来解决近红外 - 可见光图像去噪的内容不一致和数据稀缺等问题,并通过综合全局和局部调节的方式实现了两种特征的融合。实验结果表明,该方法在合成和真实数据集上均取得了优于现有方法的效果,同时还提供了公开的数据集、代码和预训练模型。
Apr, 2024