图像融合论文阅读：CrossFuse: 一种基于交叉注意机制的红外与可见光图像融合方法

@article{li2024crossfuse,

title={CrossFuse: A novel cross attention mechanism based infrared and visible image fusion approach},

author={Li, Hui and Wu, Xiao-Jun},

journal={Information Fusion},

volume={103},

pages={102147},

year={2024},

publisher={Elsevier}

}

论文级别：SCI A1

影响因子：18.6

📖[论文下载地址]

💽[代码下载地址]

文章目录

• 📖论文解读
• • 🔑关键词
  • 💭核心思想
  • 🪅相关背景知识
  • 🪢网络结构
  • • 🪢编码器
    • 🪢CAM
    • • 🪢SA
      • 🪢CA
    • 🪢解码器
  • 🎢训练设置
  • • 🎢一阶段
    • 🎢二阶段
  • 📉损失函数
  • 🔢数据集
  • 🔬实验
  • • 📏评价指标
    • 🥅Baseline
    • 🔬实验结果
• 🚀传送门
• • 📑图像融合相关论文阅读笔记
  • 📚图像融合论文baseline总结
  • 📑其他论文
  • 🎈其他总结
  • ✨精品文章总结
• 🌻【如侵权请私信我删除】

📖论文解读

以往的交叉注意力只考虑相关性，而图像融合任务需要关注互补信息。

为了解决这个问题，作者提出了CrossFuse，使用【交叉注意力机制CAM】增强互补信息，使用了两阶段训练策略。

第一阶段为两种模态训练结构相同的自编码器

第二阶段固定编码器参数，训练CAM和解码器

🔑关键词

Image fusion 图像融合

Transformer

Cross attention 交叉注意力

Infrared image 红外图像

Visible image 可见光图像

💭核心思想

通过【交叉注意力机制CAM】增强互补信息，降低冗余特征的负面影响。

扩展学习

[什么是图像融合？（一看就通，通俗易懂）]

从下图中我们可以看到，相同场景的不同模态图像，有高相关性区域和高度不相关性区域。

🪅相关背景知识

🪢网络结构

作者提出的网络结构如下所示。

I

i

r

I_{ir}

Iir​和

I

v

i

I_{vi}

Ivi​分别代表红外图像和可见光图像，两个编码器提取多模态信息。

基于Transformer的CAM结构用来融合多模态特征

解码器用来产生融合图像

F

F

F

在编码器和解码器之间有两个skip connection，用来保留源图的更多深/浅层特征

为什么使用两个编码器呢？因为作者认为两个模态间信息差距较大，这两个编码器结构是相同的，但是网络内部参数却有所区别。

下面我们一起来看看编码器的详细结构

🪢编码器

第一个卷积层用来提取浅层特征（保留了丰富的纹理信息），然后经过最大池化，DenseBlock保留多尺度特征中更多有用信息，随着编码器层数越来越深，深层特征开始集中在显著目标上。

为了增强细节信息和显著特征，在编码器和解码器之间加入了两个跳接。就是上图两个蓝紫色箭头，一个在Conv上，还有一个在最后一个最大池化层上。

🪢CAM

Cross-attention mechanism，交叉注意力机制。其结构如下图所示。

两个分支的参数是不相同的，每个模态的特征首先经过自注意力机制SA以增强内部特征，然后经过shift操作（在水平和垂直方向移动特征位置），然后再经过SA，然后unshift恢复位置，经过交叉注意力机制CA得到融合特征。

🪢SA

x

c

x^c

xc是SA的输入，也就下图（图4）左边的长条立方体，编码器的输出。

Q

c

K

c

V

c

Q_cK_cV_c

Qc​Kc​Vc​是输入的不同表示，涉及Transformer里的知识，不了解的同学可以参考下面的链接。

U

q

k

v

U_{qkv}

Uqkv​是可以通过全连接层学习参数的变换矩阵

d

d

d是输入向量的维度

n

o

r

m

norm

norm表示线性范数运算

M

L

P

(

⋅

)

MLP(·)

MLP(⋅)是多层感知机

扩展学习

史上最小白之Transformer详解

🪢CA

在2式总，

c

c

c和

c

^

\hat c

c^代表不同模态。

这个地方的交叉计算，和SwinFusion有点像，感兴趣的读者可以移步去看我的另外一篇阅读笔记。

扩展学习

SwinFusion阅读笔记

SA和CA最大的区别在于矩阵乘法后的激活函数，即CA用到了反向softmax。

作者给出这个地方的解释是，对于不同的模态，应该增强互补（不相关）信息而不是冗余（相关）特征。

在经过CAM之后，得到了一个融合特征，接下来我们需要将这个融合特征解码为融合图像。

🪢解码器

解码器的结构如下图所示。

除了在编码器中刚提到两个skip connection以外，作者还加入了【特征强度感知策略】（the feature intensity aware strategy）用来进行【多级特征融合】，其公式如下：

(

⋅

)

(·)

(⋅)表示深层特征中的位置

Φ

c

m

\Phi^m_c

Φcm​代表了CAM提取的特征，

Φ

i

r

m

\Phi^m_{ir}

Φirm​和

Φ

v

i

m

\Phi^m_{vi}

Φvim​分别代表了红外图像和可见光图像的特征。

∇

m

∇^m

∇m分别表示浅层特征和深层特征的细节和基础信息提取器。其计算公式为：

🎢训练设置

本文采用了两阶段训练。

一阶段：编码器训练。为每种模态构建自编码器网络用于重建输入。

二阶段：针对不同的编码器， 训练CAM和解码器。

🎢一阶段

一阶段训练的损失函数用到了像素损失和结构损失：

系数为1e4

🎢二阶段

二阶段训练的时候，固化一阶段训练好的编码器。训练CAM和解码器。

该阶段作者提出了一种注意损失函数，CAM损失=强度损失+10*梯度损失

M

c

M_{c}

Mc​代表单个模态的强度掩码

l

o

c

c

loc_c

locc​代表单个模态源图像中局部patch的平均值，可以用下式计算：

a

v

g

c

avg_c

avgc​代表通过11×11核大小的均值滤波器

∇

a

∇_a

∇a​计算得到的单个模态的值。

∇

g

∇_g

∇g​代表了3×3的均值滤波器

训练设置如下所示。

📉损失函数

上节已介绍。

🔢数据集

• 训练：KAIST
• 测试：TNO, VOT-RGBT

图像融合数据集链接

[图像融合常用数据集整理]

🔬实验

📏评价指标

• EN
• SD
• MI
• FMI_dct
• FMI_pixel
• SCD

扩展学习

[图像融合定量指标分析]

🥅Baseline

• FusionGAN, IFCNN, U2Fusion, YDTR, DATFuse, IRFS, SemLA, DDFM

✨✨✨扩展学习

✨✨✨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

📑[(DIF-Net)Unsupervised Deep Image Fusion With Structure Tensor Representations]

📑[(MURF: Mutually Reinforcing Multi-Modal Image Registration and Fusion]

📑[(A Deep Learning Framework for Infrared and Visible Image Fusion Without Strict Registration]

📑[(APWNet)Real-time infrared and visible image fusion network using adaptive pixel weighting strategy]

📑[Dif-fusion: Towards high color fidelity in infrared and visible image fusion with diffusion models]

📑[Coconet: Coupled contrastive learning network with multi-level feature ensemble for multi-modality image fusion]

📑[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]

🌻【如侵权请私信我删除】

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~