本文提出一种基于自编码器的图像融合网络，通过分解图像特征，实现融合的可靠性和细节纹理信息的丰富性，取得了较好的实验效果和鲁棒性。

Mar, 2020

提出一种基于相关驱动特征分解融合网络的多模态图像融合方法，通过利用 Restormer 块提取跨模态浅层特征；采用双分支 Transformer-CNN 特征提取器，使用 Lite Transformer 块处理低频全局特征和 INN 块处理高频局部信息；提出相关驱动损失，在保留融合优势的同时使低频特征相关，高频特征不相关；输出融合图像。在红外 - 可见图像融合和医学图像融合等多个任务中，该方法均取得了良好的结果，并在红外 - 可见语义分割和目标检测中提升了性能。

Nov, 2022

我们提出了一种基于分解和干扰感知的图像融合方法，通过对可见图像的散射程度进行像素分类并分离图像的细节和能量信息，实现对复杂场景中的干扰像素的更好识别，并结合自适应降噪和加权融合规则，得到在复杂场景下优越的图像融合效果。

Feb, 2024

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

提出了一种新颖的跨模态注意机制（CAM）来增强互补信息，并提出了基于两阶段训练策略的融合方案，实验结果表明我们提出的融合方法在融合网络中获得了 SOTA 级别的性能。

Jun, 2024

通过一种基于一致性模型的新型融合方法，称为 CoMoFusion，生成了高质量图像并实现了快速图像推理速度，在红外和可见图像融合领域的生成模型中，传统的基于生成模型的融合方法往往受到不稳定的训练和推理速度慢的困扰。

May, 2024

本文提出了一种半途径特征融合方法，使用神经网络并添加一个特殊模块来循环融合和优化每个光谱特征，以解决多光谱图像中信息融合的难题，并在两个具有挑战性的数据集上评估，结果表明与其他最先进的多光谱目标检测方法相比，我们的循环融合 - 优化模块能有效提高检测性能。

Sep, 2020

本文提出了一种图像分解的方法，使用 Diffusion 模型进行无监督训练，从而推断出图像中的各种组成部分，并展示了如何使用这些组成部分灵活地生成不同于训练时的场景。

Jun, 2024

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