注意两点：1.我将feright car修改为feright_car。2.使用裁剪后的图像路径。

`self.fc2 = nn.Linear(hidden_dim1, hidden_dim2)`：定义第二个全连接层，将维度从 `hidden_dim1` 转换为 `hidden_dim2`。- `self.fc3 = nn.Linear(hidden_dim2, output_dim)`：定义输出层，将维度从 `hidden_dim2` 转换为 `output_dim`。- 隐藏层：两个隐藏层，

1)端到端模型:本研究提出了一种红外和可见光图像融合框架FusionGRAM，该框架可以自适应学习不同模态的特征。2)特征增强:本研究提出了使用带有注意模块的来提取不同模态的特征。得到的特征映射集中在源图像的关键信息上，提供了比融合结果更好的亮度和对比度。在编码器的结构中引入了梯度残差。对源图像的细节特征进行补偿，从而增强融合结果的纹理细节信息。3)设计良好的损失函数:将最大强度和最优梯度损失作为

注意两点：1.我将feright car修改为feright_car。2.使用裁剪后的图像路径。

注意两点：1.我将feright car修改为feright_car。2.使用裁剪后的图像路径。

为A和B的协方差，C1和C2分别为图像A和图像B的常数。结构相似度指数是评价图像A和图像B相似度的指标，主要研究图像结构信息的变化与图像感知失真之间的关系。峰值信噪比主要评价图像的有效信息与噪声的比值，可以反映图像失真程度，反映融合后图像的质量。均方误差反映了融合图像与参考图像之间的差异，是基于像素误差的图像质量的客观评价指标。互信息是衡量图像A和图像B灰度分布相似性的指标，从图像直方图中可以得到

总结：该函数的作用是读取 诸如 yolov8、yolov9等的yaml文件，根据配置文件去搭建网络，简化配置过程。①初始化模型相关参数，类别数nc，激活函数act，缩放因子scales，深度倍率depth，宽度倍率width。，即模型中的这一层是用什么算子或模块构建的。parse_model（）函数总代码。，表示当前层在整个模型中的位置，从。是一个列表，包含该模块所需的参数。，即该层接收哪些前置层

用于衡量两幅图像之间的结构相似性，比MSE和MAE更能反映图像的感知质量。：用于减少融合图像中的噪声和伪影，增强图像的平滑性。通过惩罚图像梯度的大变化，能够有效地减少图像中的不连续性和噪声。：用于保持源图像中的边缘信息，确保融合图像中的边缘与源图像相似。作用：用于衡量源图像和融合图像之间的平均平方差异，强调较大的误差。：用于衡量源图像和融合图像之间的平均绝对差异，对异常值不敏感，能平滑地反映误差。

提出了一种的红外与可见光图像融合框架，该框架可以通过感知光照情况，全天候融合源图像的有意义信息。2.将相结合，在不同阶段整合互补和共同信息。3.在MFNet数据集的基础上构建了一个新的用于红外和可见光图像融合训练和评估的基准数据集，称为。可以在https://github.com/Linfeng-Tang/MSRS上找到。