AE-Netv2：图像融合效率与网络架构的优化
计算机视觉与模式识别
2020-10-07 v2
摘要
现有图像融合方法很少关注图像融合效率与网络架构。然而，图像融合的效率与精度在实际应用中具有重要影响。为解决该问题，我们提出了一种高效自主演化图像融合方法，称为 AE-Netv2。与其他基于深度学习的图像融合方法不同，AE-Netv2 受人类大脑认知机制启发。首先，我们讨论了不同网络架构对图像融合质量与融合效率的影响，为图像融合架构设计提供参考。其次，我们探究了池化层对图像融合任务的影响，并提出了一种带池化层的图像融合方法。最后，我们探索了不同图像融合任务的共性与特性，为图像融合领域人类大脑持续学习特性的进一步研究提供基础。综合实验表明，在 GTX 2070 上以 100+ FPS 的实时速度，AE-Netv2 相较于最先进方法在不同融合任务中均具优越性。在所有基于深度学习的测试方法中，AE-Netv2 具有更快的速度、更小的模型尺寸和更好的鲁棒性。
引用
@article{arxiv.2010.01863,
title = {AE-Netv2: Optimization of Image Fusion Efficiency and Network Architecture},
author = {Aiqing Fang and Xinbo Zhao and Jiaqi Yang and Beibei Qin and Yanning Zhang},
journal= {arXiv preprint arXiv:2010.01863},
year = {2020}
}
备注
Some mistakes have been fixed