本文介绍了如何从GitHub拉取DenseFuse代码并配置运行环境。首先使用conda创建Python3.8虚拟环境，随后通过运行测试脚本fusion_image.py逐步安装缺失的依赖模块（包括pytorch、matplotlib和tensorboard）。测试环境配置成功后，文章简要提到训练环境配置可能需要的额外模块（如tqdm），并说明可直接使用提供的预训练权重，无需自行训练。配置过程中若

本文提出SAM引导的多层级协同Transformer网络（SpTFuse）用于红外与可见光图像融合。创新性地利用SAM模型的零样本分割能力提供语义先验，通过三级渐进式交互结构（包含模态间融合块和模态内交互块）实现视觉与语义特征的深度平衡。设计语义补偿块解决解码过程中的信息丢失问题，并构建多维度损失函数优化网络性能。实验表明该方法在多个数据集上显著提升了融合图像在下游任务中的兼容性。核心创新在于SA

摘要： 本文提出STDFusionNet，一种基于显著目标检测的红外与可见光图像融合网络，首次明确定义融合目标为红外显著目标与可见光背景纹理的结合。通过伪连体特征提取网络差异化处理多模态数据，并利用掩膜引导的损失函数隐式实现目标检测与信息融合。网络采用残差结构构建端到端模型，测试时无需掩膜输入。实验表明，该方法在保留红外显著目标与可见光纹理方面优于现有方法，核心创新包括显式融合目标定义、掩膜引导的

本文提出AttentionFGAN，一种基于注意力生成对抗网络的红外与可见光图像融合方法。该模型通过多尺度注意力网络分别提取红外和可见光图像的注意力图，并设计双判别器架构同步保留热辐射强度与纹理细节。核心创新包括：双向注意力机制精准聚焦关键区域、多尺度特征捕获大型目标、首创注意力损失函数以及双判别器对抗策略。实验表明，该方法在TNO等数据集上优于现有技术，有效解决了模态差异性和信息流失问题。网络采

本文提出了一种面向目标检测的红外与可见光图像融合方法TarDAL，通过双层优化框架联合建模融合与检测任务。创新点包括：(1)目标感知双对抗网络，采用生成器提取共性特征，配合分别保留目标结构和背景纹理的双判别器；(2)协同训练策略，通过梯度反向传播实现融合网络与检测网络的相互促进；(3)构建了包含4200对图像、标注6类目标的M³FD多场景数据集。实验表明该方法在检测精度和视觉效果上优于现有技术，代

本文提出了一种创新的"Reference-then-supervision"框架用于红外与可见光图像融合（IVIF），解决了传统方法缺乏理想参考图像的问题。核心创新包括：1）AutoFilter自动筛选机制，通过多项指标评估预融合结果；2）AdapEnhance自适应增强技术优化参考图像质量；3）构建首个带监督信息的IVSI基准数据集（500对源图像+2500张监督图像）；4）

本文提出了一种用于红外与可见光图像融合的多粒度注意力网络（MgAN-Fuse）。该方法通过双编码器-解码器架构和双判别器对抗训练，结合多粒度注意力机制，有效保留了红外图像的热源目标和可见光图像的纹理细节。核心创新包括：1）多粒度注意力模块增强判别性区域特征；2）特征损失函数保持可见光细节；3）双判别器架构分别优化红外和可见光特征。实验表明，该方法在保留关键信息方面优于现有技术。网络采用WGAN-G

的红外与可见光图像融合方法无法有效感知图像的判别性区域，导致在融合过程中容易丢失重要的前景目标、可见光的上下文细节以及未参与对抗博弈的图像信息。设计了两个结构相同的独立判别器，第一个用于区分融合图像与红外图像以保留红外强度，第二个用于区分融合图像与可见光图像以捕获纹理细节。为保留可见光图像的重要特征，通过计算判别器浅层网络中可见光图像与融合图像特征的差异，设计了特征损失函数。引入两个独立的判别器进