基于深度学习的图像融合研究综述.docVIP

基于深度学习的图像融合研究综述

一、图像融合的核心内涵与技术演进脉络

图像融合技术的核心目标是将多源传感器采集的同一场景信息进行整合，消除不同模态数据之间的信息冗余与互补性矛盾，生成一幅包含更全面场景特征的高质量图像，为后续的目标检测、场景理解、语义分割等高层视觉任务提供更可靠的输入支撑。传统图像融合技术的发展可以追溯到20世纪70年代，其演化路径大致经历了三个阶段：早期的像素级融合主要依靠多尺度变换方法，如拉普拉斯金字塔、小波变换、轮廓波变换等，通过将图像分解为不同尺度的特征分量，按照特定的融合规则（如加权平均、最大绝对值选择）进行分量组合后重建，这类方法原理简单、运算效率高，但容易丢失边缘细节，在光照变化剧烈、模态差异较大的场景下容易出现伪影与色彩失真。进入21世纪后，特征级融合逐渐成为研究主流，研究者通过SIFT、HOG等人工设计的特征提取算子先提取图像的关键结构与纹理特征，再对特征空间进行融合后重建图像，这类方法对噪声的鲁棒性有所提升，但人工特征的表达能力受限于设计者的先验知识，难以适配复杂多变的自然场景。

深度学习技术的兴起为图像融合领域带来了革命性的突破，2014年前后，生成对抗网络（GAN）与卷积神经网络（CNN）的成熟应用，使得端到端的图像融合框架成为可能。与传统方法相比，深度学习方法无需手动设计融合规则，能够通过大规模数据训练自动学习多源图像的特征映射关系，在细节