DCEvo：基于判别式跨维演化学习的红外与可见图像融合
计算机视觉与模式识别
2025-03-25 v1
摘要
红外和可见图像融合整合来自不同光谱带的信息，通过利用各模态的优势并减轻其局限性来提升图像质量。现有方法通常将图像融合和随后的高层次任务视为独立的过程，导致融合图像在任务性能上仅实现有限提升，且无法为优化融合过程提供建设性反馈。为克服此限制，本文提出判别式跨维演化学习框架，称为DCEvo，能够同时提升视觉质量和感知准确度。利用演化学习的鲁棒搜索能力，我们的方法通过采用演化算法（Evolutionary Algorithm, EA）动态平衡损失函数参数，将双任务优化表述为多目标问题。受视觉神经科学启发，我们在编码器和解码器中集成判别式增强器（Discriminative Enhancer, DE），以有效学习来自不同模态的互补特征。此外，我们的跨维嵌入（Cross-Dimensional Embedding, CDE）模块促进了高维任务特征与低维融合特征之间的相互增强，确保集成过程的协同与高效。实验结果表明，在三个基准数据集上，我们的方法显著优于领先的方法，在视觉质量方面实现平均提升9.32%，同时也提升了随后的高层次任务。代码可在 https://github.com/Beate-Suy-Zhang/DCEvo 获得。
引用
@article{arxiv.2503.17673,
title = {DCEvo: Discriminative Cross-Dimensional Evolutionary Learning for Infrared and Visible Image Fusion},
author = {Jinyuan Liu and Bowei Zhang and Qingyun Mei and Xingyuan Li and Yang Zou and Zhiying Jiang and Long Ma and Risheng Liu and Xin Fan},
journal= {arXiv preprint arXiv:2503.17673},
year = {2025}
}
备注
Accepted by CVPR 2025