更快且更好：基于强化学习的协作蒸馏与自学习用于红外-可见光图像融合
计算机视觉与模式识别
2025-09-04 v2
摘要
红外与可见光图像融合通过结合不同模态的互补信息，在增强场景感知中发挥着关键作用。尽管近期取得了进展，但利用轻量级模型实现高质量图像融合仍是一个重大挑战。为弥补这一差距，我们提出了一种由强化学习驱动的新型协作蒸馏与自学习框架，用于图像融合。与传统蒸馏不同，该方法不仅使学生模型能够从教师模型中吸收图像融合知识，更重要的是，允许学生在更具挑战性的样本上进行自学习以提升其能力。特别地，在我们的框架中，强化学习智能体探索并识别更适合学生模型的训练策略。该智能体以学生的表现和师生差距作为输入，从而生成具有挑战性的样本来促进学生的自学习。同时，它根据学生的状态动态调整教师的指导强度，以优化知识传递。实验结果表明，我们的方法能够显著提升学生模型的性能，并与现有方法相比取得了更好的融合结果。
引用
@article{arxiv.2509.02424,
title = {Faster and Better: Reinforced Collaborative Distillation and Self-Learning for Infrared-Visible Image Fusion},
author = {Yuhao Wang and Lingjuan Miao and Zhiqiang Zhou and Yajun Qiao and Lei Zhang},
journal= {arXiv preprint arXiv:2509.02424},
year = {2025}
}