因果驱动的红外与可见光图像融合
计算机视觉与模式识别
2025-05-28 v1
摘要
图像融合旨在结合多幅源图像的互补信息，以生成更全面的场景表示。现有方法主要依赖网络架构的堆叠与设计来提升融合性能，往往忽略了数据集场景偏差对模型训练的影响。这种疏忽导致模型在传统似然估计框架下学习到特定场景与融合权重之间的虚假相关性，从而限制了融合性能。为了解决上述问题，本文首先从因果视角重新审视图像融合任务，并通过构建特定的因果图来厘清图像融合任务中变量间的因果关系，使模型摆脱偏差的影响。然后，提出了基于后门调整的特征融合模块(BAFFM)，以消除混杂因素干扰并使模型能够学习真实的因果效应。最后，在三个标准数据集上的大量实验证明，所提方法显著超越了红外与可见光图像融合领域的现有方法。
引用
@article{arxiv.2505.20830,
title = {Causality-Driven Infrared and Visible Image Fusion},
author = {Linli Ma and Suzhen Lin and Jianchao Zeng and Zanxia Jin and Yanbo Wang and Fengyuan Li and Yubing Luo},
journal= {arXiv preprint arXiv:2505.20830},
year = {2025}
}