基于深度学习的可见光与红外光图像融合技术综述.docxVIP

基于深度学习的可见光与红外光图像融合技术综述

摘要

可见光与红外光图像融合（VisibleandInfraredImageFusion,VIF）作为多模态信息融合领域的重要研究方向，近年来在计算机视觉领域获得了广泛关注。该技术通过整合可见光图像丰富的纹理细节与红外图像稳定的热辐射特征，为各类视觉任务提供更全面的场景表征。随着深度学习技术的快速发展，卷积神经网络（CNN）、自编码器（AE）、生成对抗网络（GAN）以及Transformer等先进模型被相继引入该领域，推动着融合性能的持续突破。本文系统梳理了基于深度学习的VIF方法体系，从技术原理、模型架构、评估标准等多个维度展开深入分析，并对未来研究方向提出建设性展望。

1.研究背景与意义

图像融合技术根据处理模态的不同可分为多个子领域。其中可见光-红外图像融合因其独特的互补特性而具有重要应用价值。可见光传感器捕获的RGB图像包含丰富的空间细节和色彩信息，但其成像质量极易受到光照条件的影响。与之形成鲜明对比的是，红外成像仪通过检测物体表面的热辐射特性，能够在完全无光或恶劣天气条件下生成稳定的热力图，但这类图像往往缺乏纹理细节和空间分辨率。

这种天然的互补性使得VIF技术在军事侦察、安防监控、自动驾驶、医疗诊断等领域展现出巨大潜力。以自动驾驶为例，在夜间或雾霾环境下，传统可见光相机可能完全失效，而红外传感器仍能可靠检测行人、