@article{liu2023coconet,
title={Coconet: Coupled contrastive learning network with multi-level feature ensemble for multi-modality image fusion},
author={Liu, Jinyuan and Lin, Runjia and Wu, Guanyao and Liu, Risheng and Luo, Zhongxuan and Fan, Xin},
journal={International Journal of Computer Vision},
pages={1–28},
year={2023},
publisher={Springer}
}
论文级别：SCI A2
影响因子：19.5
📖[论文下载地址]
📖论文解读
作者提出了一种耦合对比学习网络CoCoNet，这是一个【通用】的图像融合网络。
使用耦合对比学习来指导模型区分目标以及纹理细节，并且采用了一种测量机制来计算源图像的比例重要性，以生成数据驱动的权重并应用于损失函数之中。
🔑关键词
image fusion, infrared and visible image, unsupervised learning, contrastive learning
图像融合，红外和可见光图像，无监督学习，对比学习
💭核心思想
保持互补信息，消除冗余信息。
使用数据驱动机制计算信息保留度，以提高融合结果和源图像强度和细节的一致性。
使用多级注意力模块（multi-level attention module ，MAM）避免融合过程中的特征退化。
参考链接
[什么是图像融合？（一看就通，通俗易懂）]
🪢网络结构
作者提出的网络结构如下所示。
C
A
(
⋅
)
CA(·)
CA(⋅)是通道注意力
🪢耦合对比学习
作者的思路是，将红外图像的显著目标作为正样本，将可见光图像的显著目标作为负样本；同理，将可见光图像的的背景作为正样本，红外图像背景作为负样本。
基于TNO数据集人工标注掩膜，设
M
\mathcal M
M为前景的显著掩膜，
M
ˉ
\bar {\mathcal M}
Mˉ为背景的显著掩膜。
红外图像×前景掩膜可以得到显著目标，可见光图像×背景掩膜得到了背景信息。
作者选用预训练VGG-19代表G，将此处的损失函数定义为：
N和M分别为每个正样本的VGG层数和负样本数。
μ
i
\mu_i
μi代表融合图像的前景特征
G
i
(
I
F
⊙
M
)
G_i(I_F\odot \mathcal M)
Gi(IF⊙M)
μ
i
+
\mu_i^+
μi+和
μ
i
m
−
\mu_i^{m-}
μim−分别是正样本和负样本,
μ
i
+
=
G
i
(
I
R
⊙
M
)
\mu_i^+=G_i(I_R\odot \mathcal M)
μi+=Gi(IR⊙M)
μ
i
m
−
=
G
i
(
I
V
m
⊙
M
)
\mu_i^{m-}=G_i(I_V^m \odot \mathcal M)
μim−=Gi(IVm⊙M)
m
m
m代表第m个负样本，
∣
∣
⋅
∣
∣
1
||·||_1
∣∣⋅∣∣1是L1范数。
同理，在背景部分，将可见光图像背景作为正样本，红外图像背景作为负样本。细节约束的目标函数为：
v
i
v_i
vi代表融合图像的背景特征
G
i
(
I
F
⊙
M
ˉ
)
G_i(I_F\odot \bar {\mathcal M})
Gi(IF⊙Mˉ)
v
i
+
v_i^+
vi+和
v
i
m
−
v_i^{m-}
vim−分别是正样本和负样本,
v
i
+
=
G
i
(
I
V
m
⊙
M
ˉ
)
v_i^+=G_i(I_V^m \odot \bar {\mathcal M})
vi+=Gi(IVm⊙Mˉ)
v
i
m
−
=
G
i
(
I
R
⊙
M
ˉ
)
v_i^{m-}=G_i(I_R \odot \bar {\mathcal M})
vim−=Gi(IR⊙Mˉ)
📉损失函数
自适应损失函数=结构损失+强度损失
以往的方法，权重参数都是手工设计的经验值，本文作者设计了一种考虑数据特性的自适应损失。
一方面，为了保留纹理细节，采用平均梯度法(AG)优化SSIM损失的权重参数
σ
\sigma
σ
∇
h
I
F
{\nabla _h}{I_F}
∇hIF和
∇
v
I
F
{\nabla v}{I_F}
∇vIF分别代表融合图像从水平方向和垂直方向的一阶微分（梯度）
另一方面，采用图像熵(EN)更新强度损失：
L
L
L代表给定图像的灰度值，
p
x
p_x
px像素处于对应灰度值的概率。
EN是像素级计算的图像信息量，与MSE约束密切相关，因为MSE约束也是像素级的约束。
综上，损失函数为
L
i
r
\mathcal L_{ir}
Lir和
L
v
i
s
\mathcal L_{vis}
Lvis是两对对比损耗。
🔢数据集
图像融合数据集链接
[图像融合常用数据集整理]
🎢训练设置
🔬实验
📏评价指标
- EN
- AG
- SF
- SD
- SCD
- VIF
参考资料
[图像融合定量指标分析]
🥅Baseline
- VIF
- SMoA,FusionGAN, DenseFuse,SDNet,DIDFuse ,SwinFusion,RFN,TarDAL,U2Fusion
✨✨✨参考资料
✨✨✨强烈推荐必看博客[图像融合论文baseline及其网络模型]✨✨✨
🔬实验结果
更多实验结果及分析可以查看原文：
📖[论文下载地址]
🚀传送门
📑图像融合相关论文阅读笔记
📑[LRRNet: A Novel Representation Learning Guided Fusion Network for Infrared and Visible Images]
📑[(DeFusion)Fusion from decomposition: A self-supervised decomposition approach for image fusion]
📑[ReCoNet: Recurrent Correction Network for Fast and Efficient Multi-modality Image Fusion]
📑[RFN-Nest: An end-to-end resid- ual fusion network for infrared and visible images]
📑[SwinFuse: A Residual Swin Transformer Fusion Network for Infrared and Visible Images]
📑[SwinFusion: Cross-domain Long-range Learning for General Image Fusion via Swin Transformer]
📑[(MFEIF)Learning a Deep Multi-Scale Feature Ensemble and an Edge-Attention Guidance for Image Fusion]
📑[DenseFuse: A fusion approach to infrared and visible images]
📑[DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pair]
📑[GANMcC: A Generative Adversarial Network With Multiclassification Constraints for IVIF]
📑[DIDFuse: Deep Image Decomposition for Infrared and Visible Image Fusion]
📑[IFCNN: A general image fusion framework based on convolutional neural network]
📑[(PMGI) Rethinking the image fusion: A fast unified image fusion network based on proportional maintenance of gradient and intensity]
📑[SDNet: A Versatile Squeeze-and-Decomposition Network for Real-Time Image Fusion]
📑[DDcGAN: A Dual-Discriminator Conditional Generative Adversarial Network for Multi-Resolution Image Fusion]
📑[FusionGAN: A generative adversarial network for infrared and visible image fusion]
📑[PIAFusion: A progressive infrared and visible image fusion network based on illumination aw]
📑[CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion]
📑[U2Fusion: A Unified Unsupervised Image Fusion Network]
📑综述[Visible and Infrared Image Fusion Using Deep Learning]
📚图像融合论文baseline总结
📚[图像融合论文baseline及其网络模型]
📑其他论文
📑[3D目标检测综述：Multi-Modal 3D Object Detection in Autonomous Driving：A Survey]
🎈其他总结
🎈[CVPR2023、ICCV2023论文题目汇总及词频统计]
✨精品文章总结
✨[图像融合论文及代码整理最全大合集]
✨[图像融合常用数据集整理]文章来源：https://www.toymoban.com/news/detail-762730.html
如有疑问可联系：420269520@qq.com;
码字不易，【关注，收藏，点赞】一键三连是我持续更新的动力，祝各位早发paper，顺利毕业~文章来源地址https://www.toymoban.com/news/detail-762730.html
到了这里，关于图像融合论文阅读：CoCoNet: 基于多层特征集成的耦合对比学习网络多模态图像融合的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
