面向鲁棒红外和可见图像融合的对抗鲁棒网络 $\textrm{A}^{\textrm{2}}$RNet

红外和可见图像融合（IVIF）是一种关键技术，通过整合不同模态独特信息来增强视觉性能，生成一张融合图像。现有方法更关注在无干扰数据下的融合，忽视了针对性干扰对融合效果的影响。为调查融合模型的鲁棒性，本文提出一种新型对抗鲁棒网络，称为$\textrm{A}^{\textrm{2}}$RNet。具体我们开发了包含反攻击损失函数的对抗范式，以实现对抗攻击和训练。该方法基于IVIF的内在特性，为未来研究提供了稳健的基础。我们采用Unet作为管线，在其上构建基于Transformer的防御性细化模块（DRM），在稳健的粗到细 manner下保证融合图像质量。与先前工作相比，我们的方法减轻了对抗性扰动的不利影响，始终保持高保真度的融合结果。此外，面向下游任务的性能在对抗攻击下也能得到很好保持。代码已公开于https://github.com/lok-18/A2RNet。