多边计划-多边财政框架:超高效端到端多焦图像融合的轻型金字塔计划
Yuze Song1,2, Xinzhe Xie3, Buyu Guo4,5
1National Ocean Technology Center, Tianjin 300112, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
本研究介绍了多焦图像融合 (MFP) 的新型深度学习模型. 它有效地合成了全焦图像,克服了现有的更清晰的光学成像方法的局限性.
科学领域:
- 计算机视觉
- 图像处理
- 深度学习
背景情况:
- 光学成像中的有限深度导致部分聚焦的图像.
- 多焦图像融合 (MFF) 合成来自多个焦平面的全焦图像.
- 现有的深度学习多年框架方法难以实现远程依赖或高计算成本.
研究的目的:
- 提出一个新的,轻量级的,端到端的多边财政框架网络.
- 在多年财政框架中克服CNN,变压器和Mamba的局限性.
- 提高核聚变性能并实现真正的全球接收场.
主要方法:
- 基于金字塔融合多层感知器 (PFMLP) 架构开发的MLP-MFF.
- 引入基于混合注意力的双路径自适应多尺度特征融合模块 (DAMFFM-HA).
- 设计用于处理灵活的输入尺度和学习多尺度特征表示.
主要成果:
- 与最先进的方法相比,MLP-MFF实现了具有竞争力的,往往更高质量的核聚变.
- 证明有效地捕获远程依赖和多尺度特征.
- 保持轻量级和高效的架构.
结论:
- 多焦图像融合提供了一个有效的解决方案.
- 拟议的架构和融合模块显著提高了多年框架的性能.
- 这种方法提供了一种轻量级但强大的合成全焦图像的方法.
