红外与可见光图像融合｜主流 SOTA 模型数据集选取及预处理汇总（Part4）
红外与可见光图像融合｜主流SOTA模型数据集选取及预处理汇总（Part3）
- 1. Robust feature extraction for visible-NIR image registration through unsupervised dual training with adaptive knowledge transfer
- 摘要
- 2. Progressive text-semantic-aware generative adversarial network for image fusion
- 摘要
- 数据集
- 3. Pixel intensity prior-aware balanced multi-modal image fusion
- 摘要
- 数据集
- 4. Learning to optimize unsupervised image fusion with learnable loss and fusion strategy
- 摘要
- 数据
- 5.HSENet: Hierarchical semantic-enriched network for multi-modal image fusion
- 摘要
- 数据
- 6. Rethinking normalization strategies and convolutional kernels for multimodal image fusion
- 摘要
- 数据
在红外与可见光图像融合（IVIF）任务中，数据集的选取、划分方式以及预处理增强策略，直接决定模型的拟合效果、细节保留能力与跨场景泛化性能。目前主流IVIF算法普遍采用XXXX，XXXX的实验范式，能够更真实地验证模型在复杂未知场景下的实际应用能力。
本文系统梳理了等10种最新轻量化、高性能IVIF SOTA模型的数据集配置、预处理方案、训练参数及泛化测试策略，整理成可直接参考、对比的干货内容，为后续实验设计、模型复现与创新改进提供依据。
1. Robust feature extraction for visible-NIR image registration through unsupervised dual training with adaptive knowledge transfer
摘要
融合可见光和近红外（NIR）图像对于各种工程应用至关重要。可见光和近红外图像的精确对齐依赖于专门针对红外图像独特特性设计的局部特征。在这一领域，基于深度神经网络（DNN）的局部特征潜力仍 largely 未被充分探索。本研究旨在深入研究可见光与近红外图像对齐的特征提取方法。引入了一种创新的基于深度神经网络的特征提取技术，该技术采用简化的全卷积网络来获取密集特征和显著性评分。所提出的模型通过具有自适应知识迁移（DT-AKT）策略的双重