Dig2DIG：深入挖掘扩散信息增益以用于图像融合
计算机视觉与模式识别
2025-03-25 v1 人工智能
摘要
图像融合整合来自多源图像的互补信息，以生成信息量更大的结果。近期，展现出前所未有的生成潜力的扩散模型已被探索应用于图像融合。然而，这些方法通常将预定义的多模态引导融入扩散过程，未能捕捉各模态动态变化的重要性，且缺乏理论保证。为解决此问题，我们揭示了图像去噪中显著的时空不平衡性；具体而言，扩散模型在不同去噪步骤下于不同图像区域产生动态信息增益。基于此观察，我们深入挖掘扩散信息增益，并从理论上推导出一个基于扩散的动态图像融合框架，可证明地降低了泛化误差的上界。相应地，我们引入扩散信息增益来量化各模态在不同去噪步骤下的信息贡献，从而在融合过程中提供动态引导。在多种融合场景下的广泛实验证实，我们的方法在融合质量和推理效率上均优于现有的基于扩散的方法。
引用
@article{arxiv.2503.18627,
title = {Dig2DIG: Dig into Diffusion Information Gains for Image Fusion},
author = {Bing Cao and Baoshuo Cai and Changqing Zhang and Qinghua Hu},
journal= {arXiv preprint arXiv:2503.18627},
year = {2025}
}