本文介绍了红外与可见光图像融合方法的进展，包括基于特征分解的网络、双注意框架和空间频率融合等。这些方法在图像质量和计算效率上优于现有技术，提升了目标检测和语义分割的性能。

本研究提出了一种双分支特征分解融合网络（DAF-Net），用于红外与可见光图像的融合。通过领域自适应和多核最大均值差异（MK-MMD），DAF-Net有效对齐了两种图像的特征空间，显著提升了融合图像的质量和性能。

本文介绍了一种基于深度学习的图像融合方法，能够有效结合红外和可见光图像，生成高质量的融合图像。采用自适应多尺度融合网络和语义结构保持方法，实验结果显示这些方法在物体检测和视觉质量方面优于现有技术。

本文介绍了多种红外与可见光图像融合方法，如AMFusionNet、基于I2V-GAN的视频翻译和目标感知对抗学习。这些方法通过结合红外图像的热力细节与可见光的纹理特征，显著提升了图像质量和检测性能，并验证了其在不同场景下的有效性。

本文提出了一种新型红外与可见光图像融合网络AMFusionNet，利用自适应差分融合和显著目标感知模块，显著提升融合图像质量。通过多种卷积核和注意力机制，有效整合热力细节与纹理特征，实验结果表明其在低光环境下的物体检测性能优于现有方法。

本文提出了一种多模态图像融合框架，解决可见光图像与红外图像焦点区域不同的融合问题。通过分解图像为结构和纹理成分，并使用多尺度操作器对纹理成分进行融合，同时考虑能量信息的分布，实现了场景亮度的捕捉和对比度的维持。实验结果表明，该算法优于现有方法。

本文提出了一种多模态图像融合框架，解决了可见光图像与红外图像焦点区域不同的融合问题。通过分解图像为结构和纹理成分，并使用多尺度操作器对纹理成分进行融合，同时考虑能量信息的分布，实现了场景亮度的捕捉和对比度的维持。实验结果表明，该算法优于现有方法。