统一恢复-感知学习：海事红外-可见光图像融合与分割
计算机视觉与模式识别
2026-03-31 v1
摘要
海事场景理解与分割在海事监测和航行安全中发挥着重要作用。然而，雾和强反射等普遍因素导致海事环境中的图像严重退化，显著损害语义感知的稳定性。现有恢复与增强方法通常针对特定退化或仅关注视觉质量，缺乏同时改善结构恢复和语义有效性的端到端协同机制。此外，公开可用的红外-可见光数据集主要来自城市场景，未能捕捉海洋环境中耦合退化的真实特征。为应对这些挑战，提出了红外-可见光海事船舶数据集 (IVMSD)，以覆盖各种天气和光照条件下的多种海事场景。基于该数据集，提出了多任务互补学习框架 (MCLF)，在统一架构中协同执行图像恢复、多模态融合和语义分割。该框架包括频-空增强互补 (FSEC) 模块用于退化抑制和结构增强，语义-视觉一致性注意力 (SVCA) 模块用于语义一致性引导，以及跨模态引导注意力机制用于选择性融合。在 IVMSD 上的实验结果表明，所提方法达到了最先进的语义分割性能，显著增强了复杂海事条件下的鲁棒性和感知质量。
引用
@article{arxiv.2603.28414,
title = {Unified Restoration-Perception Learning: Maritime Infrared-Visible Image Fusion and Segmentation},
author = {Weichao Cai and Weiliang Huang and Biao Xue and Chao Huang and Fei Yuan and Bob Zhang},
journal= {arXiv preprint arXiv:2603.28414},
year = {2026}
}