双域自适应融合网络

低光浓雾仍稳定

一种融合可见光与红外的无人机检测网络，通过频域滤波与空间一致性-差异性引导，动态校准不同区域的模态贡献，在恶劣成像条件下依然稳定。

翁谦 · 79713582 · 79713581 · Liming, Deng · 林嘉雯

Remote Sensing 2026

参数信息

检测精度(mAP@0.5)

81.9 %

检测精度(mAP@0.5)

76.2 %

技术优势

模态可靠性动态校准

通过一致性-差异性引导融合策略，利用 VMamba 的选择性扫描机制建模跨模态一致与差异模式，动态生成局部模态贡献图，对每个空间位置进行自适应加权，避免静态融合在场景变化时忽略模态可靠性差异。

恶劣成像去退化

双域渐进细化模块在频率域进行可学习滤波并在空间域进行尺度感知上下文细化，有效抑制噪声、增强纹理，为后续融合提供更纯净的特征基础，从而改善低光、浓雾等条件下的检测性能。

全局场景先验校准

融合策略引入熵权对全局场景先验进行校准，使得动态生成的局部贡献图能够根据整个场景的模态特性进行调整，进一步提升在复杂环境下的检测鲁棒性。

应用场景

• 无人机全天候巡检：用于低光、浓雾等恶劣天气下的无人机巡检，提高全天候作业的检测可靠性。
• 机器人视觉感知：为机器人提供在复杂光照条件下融合可见光与红外的视觉感知，提升动态环境中的目标检测能力。
• 多模态融合感知：通过一致性-差异性引导和频域细化实现可见光-红外特征的鲁棒融合，可作为多模态感知的通用框架。
• 复杂环境目标检测：针对低光、浓雾和稀疏类别等恶劣环境下的目标检测，提升模型鲁棒性。