本文提出了一种创新的红外与可见光图像融合方法HSFusion，通过层次多尺度特征融合网络结合状态空间模型(SSM)的优势。该方法设计了三个关键模块：1)多尺度特征提取网络整合SSM和卷积网络，有效保留全局和局部特征；2)跨层级全局-局部注意力模型促进不同尺度特征的交互；3)自适应特征融合模块通过门控机制实现模态间动态信息融合。实验表明，HSFusion在保留细节纹理和突出红外目标方面优于现有方法，

本文提出了一种结合梯度迁移学习与融合规则展开的通用图像融合框架。针对现有方法在训练阶段无法有效利用跨任务互补信息、在网络设计上依赖经验驱动的问题，作者提出：1) 序列式梯度迁移训练框架，通过教师模型传递互补结构信息，避免任务冲突；2) 基于深度平衡模型的隐式展开网络，从基础融合规则演化而来，显著提升计算效率。实验表明，该方法在多种融合任务(MFIF/MEIF/IVF)中均取得竞争优势，在未见过的医

本文提出了一种新颖的视觉跟踪方法ODTrack，通过在线密集时间令牌学习实现高效视频级跟踪。不同于传统基于稀疏图像对匹配的跟踪方法，ODTrack将目标跟踪重新定义为令牌序列传播任务，利用视频流建模来捕捉目标的时空轨迹关系。该方法通过两种时间令牌传播注意力机制，将目标的判别性特征压缩为令牌序列，作为未来帧推理的提示，从而避免了复杂的在线更新策略。实验表明，ODTrack在七个主流跟踪基准上达到了S

物体检测、物体识别、语义分割、显著性目标检测究竟有什么区别与联系？

论文摘要：《自编码监督的感知图像超分辨率》提出了一种创新方法AESOP，通过自编码器提取图像的"保真度偏差"特征（如基本轮廓和颜色），仅对比这些特征而忽略细节差异。这解决了传统超分辨率方法中"保真度与感知质量"的根本矛盾：以往方法要么因严格匹配像素导致结果模糊（PSNR高但感知质量差），要么因鼓励细节生成导致结构错误（感知质量好但PSNR低）。AESOP让A

物体检测、物体识别、语义分割、显著性目标检测究竟有什么区别与联系？