残差GAN红外可见融合网络
细节清晰符合人眼视觉
利用双通道注意力机制与多阶段训练策略，融合图像细节丰富且更符合人眼视觉感知，显著优于现有残差网络与GAN方法。
于乃功 · YiFan, Fu · QiuSheng, Xie · QiMing, Cheng · Hasan, Mohammad Mehedi
Image and Vision Computing 2025
参数信息
- 融合图像SD指标
- 49.281
- 融合图像SD指标
- 53.777
- 融合图像EN指标
- 7.366
- 融合图像SF指标
- 13.322
- 融合图像EN指标
- 7.276
- 融合图像SF指标
- 19.171
技术优势
细节提取更完整
高精度图像特征提取器与双通道注意力机制结合，保留更多纹理和结构信息。
训练效率更高
多阶段训练策略使网络在生成器和判别器交替中稳定优化，缩短调参周期。
更符合人眼视觉
融合结果在视觉感知上优于传统方法，更适合需人工判读的任务。
应用场景
- 工业机器人视觉：更丰富的细节纹理可提升零件识别与缺陷检测精度。
- 无人机目标检测：红外与可见光互补信息使目标在复杂背景下更易分辨。
- 人形机器人导航：融合图像提供更完整的环境感知，减少导航中的误判。
- 可穿戴设备图像增强：低照度下融合红外信息可改善可见光图像的清晰度。
- 物联网视觉感知：在资源受限的边缘设备上提供高质量视觉输入。