EPOFusion：面向红外和可见图像融合的感曝光渐进优化方法
计算机视觉与模式识别
2026-03-30 v3
摘要
在实际场景中，过曝常导致关键视觉信息丢失，但现有红外-可见图像融合方法在高亮区域表现不佳。为此，我们提出 EPOFusion，一种感曝光感知的融合模型。具体而言，引入引导模块以帮助编码器从过曝区域提取细粒度红外特征。同时，设计包含多尺度上下文融合模块的迭代解码器，以逐步增强融合图像，确保细节一致且视觉质量卓越。最后，采用自适应损失函数动态约束融合过程，在不同曝光条件下实现模态间的有效平衡。为提升曝光感知能力，我们构建了首个红外-可见过曝数据集（IVOE），提供高质量的红外引导标注。大量实验表明，EPOFusion 优于现有方法，在过曝区域保持红外线索的同时，在非过曝区域实现视觉忠实的融合，从而提升视觉保真度和下游任务性能。代码、融合结果及 IVOE 数据集将在 https://github.com/warren-wzw/EPOFusion.git 上公开。
引用
@article{arxiv.2603.16130,
title = {EPOFusion: Exposure aware Progressive Optimization Method for Infrared and Visible Image Fusion},
author = {Zhiwei Wang and Yayu Zheng and Defeng He and Li Zhao and Xiaoqin Zhang and Yuxing Li and Edmund Y. Lam},
journal= {arXiv preprint arXiv:2603.16130},
year = {2026}
}