Two-Level Consistency Metric for Infrared and Visible Image Fusion(红外与可见光图像融合的两级的一致性度量)
研究背景
现有的红外与可见光图像融合大都采用单阶段的损失函数来约束融合图像,例如强度、梯度、结构相似性,但是单阶段的一致性度量会导致融合图像倾向于两个源图像折衷。两个源图像的特征在融合图像中相互影响,通俗点就是融合图像中的显著性目标没有红外那么强(受可见光图像影响),纹理细节信息没有可见光那么详细(受红外图像影响)。
思想:找到红外与可见光图像的重要部分,然后想办法约束融合图像包含源图像的重要部分。
作者提出:红外图像的显著性目标和可见光图像的纹理细节信息在频域中都体现在高频部分。在频域中可以使用高频滤波器来提取高频区域,进而提出源图像的重要部分。
作者又提出:将融合图像分解为两个图像(两个源图像),一个包含红外重要部分,一个包含可见光重要信息。然后使用分解出来的源图像和真正的源图像去做损失约束。
整体框架
框架分为:基于U-Net的融合网络模块、融合测量模块和FA模块
基于U-Net的融合网络模块:负责特征提取和图像重建。
融合测量模块:首先使用双卷积块(就是两层卷积)提取融合图像的特征,得到32维度的特征(我们假设这就是分解出来的红外图像,也可以是可见光),然后使用一个1x1卷积层再次提取融合图像的32维度的融合特征,使用32维度的融合特征减去32维度的红外特征,得到的就是32维度的可见光特征。将分解得到的两个图像特征通过OutConv(1x1卷积层)降维得到融合图像分解出来的源图像。
FA模块:提取源图像的重要部分特征,并且增强这些特征。首先通过快速傅里叶将源图像变换到频域空间,然后使用高通滤波器过滤提取源图像中的高频信息。然后将高频信息与没经过高通滤波器的变换部分相加得到增强后的变换。然后快速傅里叶逆变换回到图像域得到增强后的图像。然后对增强后的源图像使用softmax操作得到权重图。
损失函数
损失函数分为:融合损失和分解损失
融合损失和分解损失都由SSIM损失和FA损失组成
SSIM损失:在亮度、结构、对比度方面进行测量。
FA损失:由L2损失和权重图组成
融合损失:使用融合图像去和增强后的源图像去做损失计算,约束融合图像包含源图像的信息
分解损失:分解损失就是用融合图像分解出来的两个源图像和真正的两个源图像进行损失计算。约束融合图像更好的保留源图像的重要部分。
结论
贡献
-
提出了一种基于融合分解和高频关注度的图像融合增强损失函数。
-
提出了一种新的自监督网络,通过缩小分解分量和增强的源图像之间的距离来保留源图像的重要特征。
自我认为:本篇论文设计了两个阶段的损失约束(亮点)。
- 第一阶段在融合图像与增强后的源图像之间进行约束;
- 第二阶段,将融合图像分解为两个源图像,使用分解的源图像与增强后的源图像进行约束。
基于熵的自适应融合模块和掩模引导卷积神经网络的红外与可见光图像融合
MAFusion:Multiscale Attention Network for Infrared and Visible Image Fusion
TCCFusion: An infrared and visible image fusion method based on transformer and cross correlation
THFuse: An infrared and visible image fusion network using transformer and hybrid feature extractor