通过图23定性分析和表5定量分析，多模态和多曝光的训练顺序对融合结果影响较小，而多聚焦的训练顺序影响相对显著，平均梯度大幅下降。为解决不同类型源图像中的关键信息存在显著差异这一问题，本研究综合考虑源图像的多方面属性，提取浅层特征（纹理、局部形状等）和深层特征（内容、空间结构等），用于信息度量的计算，作为统一的度量方式以确定源图像的。与单独训练的模型相比，经多曝光图像融合训练的统一模型 U2Fusi

图像融合的本质是将多幅源图像中的互补关键信息整合为单幅融合图像。但由于不存在真实的融合图像（即真实标签），难以明确定义有意义的互补信息。为解决该问题，本文提出一种特殊的双掩码策略，模拟有效的互补上下文，将无监督图像融合转化为自监督掩码图像恢复任务（如图 2 所示）；同时引入具备强大生成能力和泛化能力的扩散模型，使该方法能适用于各类图像融合任务。最终，通过自监督学习预训练的掩码扩散模型，可作为多融合