Infrared and visible image fusion via mutual information maximization

图像融合 人工智能 相互信息 计算机科学 融合 模式识别(心理学) 图像(数学) 图像质量 最大化 公制(单位) 相似性(几何) 忠诚 代表(政治) 计算机视觉 数学 数学优化 哲学 语言学 电信 运营管理 政治 政治学 法学 经济
作者
Aiqing Fang,Junsheng Wu,Ying Li,Ruimin Qiao
出处
期刊:Computer Vision and Image Understanding [Elsevier]
卷期号:231: 103683-103683 被引量:3
标识
DOI:10.1016/j.cviu.2023.103683
摘要

Traditional image fusion methods based on deep learning generally measure the similarity between the fusion results and the source images, ignoring the harmful information of source images. This paper presents a simple-yet-effective self-supervised image fusion optimization mechanism via directly maximizing the mutual information between the fused image and image samples, including positive and negative samples. The fusion optimization of positive samples has three steps, including visual fidelity item, quality perception item, and semantic perception item loss functions, aiming to reduce the distance between the fused representation and the real image quality. The fusion optimization of negative samples aims to enlarge the distance between the fusion results and the degraded image. Following InfoNCE, our framework is optimized via a surrogate contrastive loss, where the positive and negative selection underpins the real quality and visual fidelity information of fusion representation learning. Therefore, the stumbling blocks of deep learning in image fusion, i.e., similarity fusion optimization problems, are significantly mitigated. Extensive experiments demonstrate that fusion results neatly outperforms the state-of-the-art fusion optimization mechanisms in most metrics.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
一招将死你完成签到,获得积分20
1秒前
幸福果汁完成签到,获得积分10
2秒前
Learner发布了新的文献求助10
3秒前
giggity10086完成签到,获得积分10
4秒前
4秒前
小乐儿~完成签到,获得积分10
5秒前
QJN完成签到,获得积分10
6秒前
超级的绿凝完成签到 ,获得积分10
8秒前
QJN发布了新的文献求助10
9秒前
科研通AI2S应助邵翎365采纳,获得10
10秒前
Orange应助噜噜采纳,获得10
10秒前
深情安青应助Xu采纳,获得10
11秒前
YKXYXB完成签到,获得积分10
12秒前
呱呱完成签到,获得积分20
13秒前
英姑应助胥风采纳,获得10
13秒前
希儿世界第一可爱完成签到,获得积分10
14秒前
海风完成签到,获得积分10
14秒前
15秒前
顺利毕业完成签到 ,获得积分10
15秒前
留胡子的丹彤完成签到 ,获得积分10
15秒前
16秒前
在水一方应助毛毛采纳,获得10
16秒前
布吉岛呀完成签到 ,获得积分10
18秒前
19秒前
19秒前
哈哈哈发布了新的文献求助10
21秒前
momo关注了科研通微信公众号
22秒前
小周的读研日常关注了科研通微信公众号
25秒前
Xu发布了新的文献求助10
25秒前
无花果应助郝宝真采纳,获得10
26秒前
义气尔芙完成签到,获得积分10
26秒前
zhaohu47完成签到,获得积分10
27秒前
27秒前
淡写发布了新的文献求助20
27秒前
圆仔发布了新的文献求助10
27秒前
未名水发布了新的文献求助10
29秒前
Hellowa完成签到,获得积分10
29秒前
xuanxiu007完成签到,获得积分20
30秒前
guositing完成签到,获得积分10
30秒前
高分求助中
Evolution 10000
ISSN 2159-8274 EISSN 2159-8290 1000
Becoming: An Introduction to Jung's Concept of Individuation 600
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3162769
求助须知:如何正确求助?哪些是违规求助? 2813701
关于积分的说明 7901715
捐赠科研通 2473342
什么是DOI,文献DOI怎么找? 1316778
科研通“疑难数据库(出版商)”最低求助积分说明 631516
版权声明 602175