图像融合论文阅读：CrossFuse: 一种基于交叉注意机制的红外与可见光图像融合方法

@article{li2024crossfuse,
title={CrossFuse: A novel cross attention mechanism based infrared and visible image fusion approach},
author={Li, Hui and Wu, Xiao-Jun},
journal={Information Fusion},
volume={103},
pages={102147},
year={2024},
publisher={Elsevier}
}

论文级别：SCI A1
影响因子：18.6

📖[论文下载地址]
💽[代码下载地址]

文章目录

📖论文解读
- 🔑关键词
- 💭核心思想
- 🪅相关背景知识
- 🪢网络结构
- - 🪢编码器
  - 🪢CAM
  - - 🪢SA
    - 🪢CA
  - 🪢解码器
- 🎢训练设置
- - 🎢一阶段
  - 🎢二阶段
- 📉损失函数
- 🔢数据集
- 🔬实验
- - 📏评价指标
  - 🥅Baseline
  - 🔬实验结果
🚀传送门
- 📑图像融合相关论文阅读笔记
- 📚图像融合论文baseline总结
- 📑其他论文
- 🎈其他总结
- ✨精品文章总结
🌻【如侵权请私信我删除】

📖论文解读

以往的交叉注意力只考虑相关性，而图像融合任务需要关注互补信息。
为了解决这个问题，作者提出了CrossFuse，使用【交叉注意力机制CAM】增强互补信息，使用了两阶段训练策略。
第一阶段为两种模态训练结构相同的自编码器
第二阶段固定编码器参数，训练CAM和解码器

🔑关键词

Image fusion 图像融合
Transformer
Cross attention 交叉注意力
Infrared image 红外图像
Visible image 可见光图像

💭核心思想

通过【交叉注意力机制CAM】增强互补信息，降低冗余特征的负面影响。

扩展学习
[什么是图像融合？（一看就通，通俗易懂）]

从下图中我们可以看到，相同场景的不同模态图像，有高相关性区域和高度不相关性区域。
在这里插入图片描述

🪅相关背景知识

🪢网络结构

作者提出的网络结构如下所示。
$I_{ir}$ 和 $I_{vi}$ 分别代表红外图像和可见光图像，两个编码器提取多模态信息。
基于Transformer的CAM结构用来融合多模态特征
解码器用来产生融合图像 $F$
在编码器和解码器之间有两个skip connection，用来保留源图的更多深/浅层特征
在这里插入图片描述
为什么使用两个编码器呢？因为作者认为两个模态间信息差距较大，这两个编码器结构是相同的，但是网络内部参数却有所区别。
下面我们一起来看看编码器的详细结构

🪢编码器

在这里插入图片描述
第一个卷积层用来提取浅层特征（保留了丰富的纹理信息），然后经过最大池化，DenseBlock保留多尺度特征中更多有用信息，随着编码器层数越来越深，深层特征开始集中在显著目标上。
为了增强细节信息和显著特征，在编码器和解码器之间加入了两个跳接。就是上图两个蓝紫色箭头，一个在Conv上，还有一个在最后一个最大池化层上。

🪢CAM

Cross-attention mechanism，交叉注意力机制。其结构如下图所示。
在这里插入图片描述
两个分支的参数是不相同的，每个模态的特征首先经过自注意力机制SA以增强内部特征，然后经过shift操作（在水平和垂直方向移动特征位置），然后再经过SA，然后unshift恢复位置，经过交叉注意力机制CA得到融合特征。

🪢SA

在这里插入图片描述
$x^c$ 是SA的输入，也就下图（图4）左边的长条立方体，编码器的输出。
$Q_cK_cV_c$ 是输入的不同表示，涉及Transformer里的知识，不了解的同学可以参考下面的链接。
$U_{qkv}$ 是可以通过全连接层学习参数的变换矩阵
$d$ 是输入向量的维度
$n or m$ 表示线性范数运算
$M L P (\cdot)$ 是多层感知机

扩展学习
史上最小白之Transformer详解

🪢CA

在这里插入图片描述
在2式总， $c$ 和 $\hat c$ 代表不同模态。
这个地方的交叉计算，和SwinFusion有点像，感兴趣的读者可以移步去看我的另外一篇阅读笔记。

扩展学习
SwinFusion阅读笔记

SA和CA最大的区别在于矩阵乘法后的激活函数，即CA用到了反向softmax。
在这里插入图片描述

作者给出这个地方的解释是，对于不同的模态，应该增强互补（不相关）信息而不是冗余（相关）特征。

在经过CAM之后，得到了一个融合特征，接下来我们需要将这个融合特征解码为融合图像。

🪢解码器

解码器的结构如下图所示。

在这里插入图片描述
除了在编码器中刚提到两个skip connection以外，作者还加入了【特征强度感知策略】（the feature intensity aware strategy）用来进行【多级特征融合】，其公式如下：

$(\cdot)$ 表示深层特征中的位置
$\Phi^m_c$ 代表了CAM提取的特征， $\Phi^m_{ir}$ 和 $\Phi^m_{vi}$ 分别代表了红外图像和可见光图像的特征。
$^m$ 分别表示浅层特征和深层特征的细节和基础信息提取器。其计算公式为：
在这里插入图片描述

🎢训练设置

本文采用了两阶段训练。
一阶段：编码器训练。为每种模态构建自编码器网络用于重建输入。
二阶段：针对不同的编码器，训练CAM和解码器。

🎢一阶段

在这里插入图片描述
一阶段训练的损失函数用到了像素损失和结构损失：

系数为1e4

🎢二阶段

在这里插入图片描述
二阶段训练的时候，固化一阶段训练好的编码器。训练CAM和解码器。
该阶段作者提出了一种注意损失函数，CAM损失=强度损失+10*梯度损失

$M_{c}$ 代表单个模态的强度掩码

$loc_c$ 代表单个模态源图像中局部patch的平均值，可以用下式计算：
在这里插入图片描述
$avg_c$ 代表通过11×11核大小的均值滤波器 $_a$ 计算得到的单个模态的值。

在这里插入图片描述
$_g$ 代表了3×3的均值滤波器

训练设置如下所示。

在这里插入图片描述

📉损失函数

上节已介绍。

🔢数据集

训练：KAIST
测试：TNO, VOT-RGBT

图像融合数据集链接
[图像融合常用数据集整理]

🔬实验

📏评价指标

EN
SD
MI
FMI_dct
FMI_pixel
SCD

扩展学习
[图像融合定量指标分析]

🥅Baseline

FusionGAN, IFCNN, U2Fusion, YDTR, DATFuse, IRFS, SemLA, DDFM

✨✨✨扩展学习
✨✨✨强烈推荐必看博客[图像融合论文baseline及其网络模型]✨✨✨

🔬实验结果

在这里插入图片描述

更多实验结果及分析可以查看原文：
📖[论文下载地址]

🚀传送门

📑图像融合相关论文阅读笔记

📑[(DIF-Net)Unsupervised Deep Image Fusion With Structure Tensor Representations]
📑[(MURF: Mutually Reinforcing Multi-Modal Image Registration and Fusion]
📑[(A Deep Learning Framework for Infrared and Visible Image Fusion Without Strict Registration]
📑[(APWNet)Real-time infrared and visible image fusion network using adaptive pixel weighting strategy]
📑[Dif-fusion: Towards high color fidelity in infrared and visible image fusion with diffusion models]
📑[Coconet: Coupled contrastive learning network with multi-level feature ensemble for multi-modality image fusion]
📑[LRRNet: A Novel Representation Learning Guided Fusion Network for Infrared and Visible Images]
📑[(DeFusion)Fusion from decomposition: A self-supervised decomposition approach for image fusion]
📑[ReCoNet: Recurrent Correction Network for Fast and Efficient Multi-modality Image Fusion]
📑[RFN-Nest: An end-to-end resid- ual fusion network for infrared and visible images]
📑[SwinFuse: A Residual Swin Transformer Fusion Network for Infrared and Visible Images]
📑[SwinFusion: Cross-domain Long-range Learning for General Image Fusion via Swin Transformer]
📑[(MFEIF)Learning a Deep Multi-Scale Feature Ensemble and an Edge-Attention Guidance for Image Fusion]
📑[DenseFuse: A fusion approach to infrared and visible images]
📑[DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pair]
📑[GANMcC: A Generative Adversarial Network With Multiclassification Constraints for IVIF]
📑[DIDFuse: Deep Image Decomposition for Infrared and Visible Image Fusion]
📑[IFCNN: A general image fusion framework based on convolutional neural network]
📑[(PMGI) Rethinking the image fusion: A fast unified image fusion network based on proportional maintenance of gradient and intensity]
📑[SDNet: A Versatile Squeeze-and-Decomposition Network for Real-Time Image Fusion]
📑[DDcGAN: A Dual-Discriminator Conditional Generative Adversarial Network for Multi-Resolution Image Fusion]
📑[FusionGAN: A generative adversarial network for infrared and visible image fusion]
📑[PIAFusion: A progressive infrared and visible image fusion network based on illumination aw]
📑[CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion]
📑[U2Fusion: A Unified Unsupervised Image Fusion Network]
📑综述[Visible and Infrared Image Fusion Using Deep Learning]