图像融合论文阅读：(MFEIF)学习深度多尺度特征集成和边缘注意引导的图像融合
@article{liu2021learning,
title={Learning a deep multi-scale feature ensemble and an edge-attention guidance for image fusion},
author={Liu, Jinyuan and Fan, Xin and Jiang, Ji and Liu, Risheng and Luo, Zhongxuan},
journal={IEEE Transactions on Circuits and Systems for Video Technology},
volume={32},
number={1},
pages={105–119},
year={2021},
publisher={IEEE}
}
论文级别：SCI A2
影响因子：8.4
文章目录
📖论文解读
作者提出了一种用于可见光-红外的图像融合网络结构，采用【从粗到细】的结构进行特征提取，该结构可以输入【未对齐】的图像对；并且设计了一个【边缘引导注意力机制】用来使融合关注共同结构，目的使为了在消除噪声的同时恢复细节；作者还发布了一个新的对齐的可见光红外图像【数据集】RealStreet
🔑关键词
Image fusion, deep feature learning, attention mechanism.
图像融合，深度特征学习，注意力机制
💭核心思想
【一句话总结】：AE+GAN
编码器使用不同的空洞卷积提取特征后相加，乘上从源图像中通过注意力机制得到的权重，在通过加入跳跃连接的解码器进行重建。
1、设计了一个密集语义扩大模块来增加感受野从而提取深层特征。（使用不同的扩张因子的空洞卷积提取特征然后聚合）
- 通过多尺度上下文聚合结构，将三种不同感受野的卷积路径聚合
- 在每个卷积路径上加入了密集连接
2、设计了一个边缘引导的注意融合规则，以保持图像结构并抑制伪影。
🪢网络结构
作者提出的网络结构如下图所示。
🪢粗到细的特征提取
先通过一次卷积将源图像变成特征图，然后通过3个不同的卷积路径提取特征并聚合。同时在每个路径上加入了密集连接。
f
i
n
f_{in}
fin?和
f
o
u
t
e
f_{out}^e
foute?分别代表特征提取模块的输入特征图和输出特征图。 *是卷积操作，
t
p
tp
tp为路径序号，W和b分别代表卷积层卷积权重和偏置。
作者使用
f
i
r
e
f_{ir}^e
fire?和
f
v
i
s
e
f_{vis}^e
fvise?分别代表红外图像和可见光图像的输出特征。
🪢边缘引导注意力特征融合
作者提出的边缘引导注意力特征融合如下图所示。
边缘图由2步得到：
输入m×n的灰度图用
u
u
u表示，定义梯度图为：
在上式中，
?
i
h
u
=
u
i
?
u
a
(
i
)
\nabla ^ h_iu=u_i-u_{a(i)}
?ih?u=ui??ua(i)?
?
i
v
u
=
u
i
?
u
b
(
i
)
\nabla ^v_iu=u_i-u_{b(i)}
?iv?u=ui??ub(i)?分别为计算水平和垂直一阶差分的线性算子。
u
a
(
i
)
u_{a(i)}
ua(i)?和
u
b
(
i
)
u_{b(i)}
ub(i)?分别为位于源像素i右侧和下方最近的像素。
此外作者还设计了边缘增强算子
S
S
S来凸显梯度信息：
其中，
I
=
1
，
…
，
m
?
1
I ={1，…， m?1}
I=1，…，m?1；
J
=
1
，
…
，
n
?
1
J ={1，…， n?1}
J=1，…，n?1。i和j分别代表梯度图像的水平和垂直方向。
随后，将红外图像和可见光图像增强后的边缘图输入注意力机制，生成特征权重图
W
i
r
W_{ir}
Wir?和
W
v
i
s
W_{vis}
Wvis?，并通过梯度引导注意力计算出融合特征
f
o
u
t
a
f^a_{out}
fouta?：
最终的融合图像由训练好的解码器从融合特征
f
o
u
t
a
f^a_{out}
fouta?来重构。
🪢特征补偿重构
作者认为单纯使用卷积操作来进行图像恢复会导致信息丢失，所以引入了两个跳跃连接。
- 将特征提取中三个不同的特征相加
- 使用choose-max策略选择红外或者可见光特征
- 在特征重构中，将补偿特征在通道上concat到基于注意力的融合特征中
📉损失函数
损失函数=像素损失+结构相似性损失
作者受GAN的启发，假设上述网络结构是一个生成器，在网络末尾加入了一个判别器，用来引导生成器生成更自然的图像。
🔢数据集
训练MSCOCO和FLIR
测试 TNO
图像融合数据集链接
[图像融合常用数据集整理]
🎢训练设置
🔬实验
📏评价指标
- MI
- CC
- VIF
- QAB/F
- SSIM
- SCD
参考资料
???强烈推荐必看博客 [图像融合定量指标分析]
🥅Baseline
- CBF, GTF, JSRSD, DRTV, FPDE, FusionGAN, DDcGAN
🔬实验结果
更多实验结果及分析可以查看原文：
📖[论文下载地址]
💽[代码下载地址]
🚀传送门
📑图像融合相关论文阅读笔记
📑[DenseFuse: A fusion approach to infrared and visible images]
📑[DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pair]
📑[GANMcC: A Generative Adversarial Network With Multiclassification Constraints for IVIF]
📑[DIDFuse: Deep Image Decomposition for Infrared and Visible Image Fusion]
📑[IFCNN: A general image fusion framework based on convolutional neural network]
📑[(PMGI) Rethinking the image fusion: A fast unified image fusion network based on proportional maintenance of gradient and intensity]
📑[SDNet: A Versatile Squeeze-and-Decomposition Network for Real-Time Image Fusion]
📑[DDcGAN: A Dual-Discriminator Conditional Generative Adversarial Network for Multi-Resolution Image Fusion]
📑[FusionGAN: A generative adversarial network for infrared and visible image fusion]
📑[PIAFusion: A progressive infrared and visible image fusion network based on illumination aw]
📑[CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion]
📑[U2Fusion: A Unified Unsupervised Image Fusion Network]
📑综述[Visible and Infrared Image Fusion Using Deep Learning]
📚图像融合论文baseline总结
📑其他论文
📑[3D目标检测综述：Multi-Modal 3D Object Detection in Autonomous Driving：A Survey]
🎈其他总结
🎈[CVPR2023、ICCV2023论文题目汇总及词频统计]
?精品文章总结
?[图像融合论文及代码整理最全大合集]
?[图像融合常用数据集整理]
如有疑问可联系：420269520@qq.com;
码字不易，【关注，收藏，点赞】一键三连是我持续更新的动力，祝各位早发paper，顺利毕业~
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：veading@qq.com进行投诉反馈，一经查实，立即删除！