本研究提出了一种暗度无网络（DFVO）方法，解决了弱光环境下可见图像融合模糊和信息损失的问题。通过级联多任务策略，显著提升了融合图像的清晰度和信息量，PSNR达到63.258 dB，具有潜在应用价值。

本研究提出了一种双步骤图像融合方法，解决了光片显微镜在深度成像中的低穿透力和图像质量下降的问题，显著提升了三维图像的融合质量。

拉普拉斯金字塔通过多尺度分解保留高频信息，广泛应用于图像融合、增强和压缩。其构建过程包括高斯金字塔的下采样和上采样，实现图像的多尺度分析。

本研究提出了一种新型高效的扩散模型ResPanDiff，旨在解决传统扩散模型在图像融合中的慢推理速度问题。ResPanDiff通过减少扩散步数而不影响性能，显著提升全色合成效果。实验表明，该模型在仅需15次采样的情况下，超越了现有技术，展现出卓越的残差生成能力。

该研究提出了任务导向自适应调节（T-OAR）机制和任务相关动态提示注入（T-DPI）模块，以解决红外与可见图像融合在多任务处理中的复杂性和性能下降问题。这些方法在对象检测、语义分割和显著性目标检测等任务中表现优异，提升了图像融合的效率与适应性。

本研究提出了一种亮度自适应的多模态动态融合框架（BA-Fusion），有效解决了现有图像融合方法在动态亮度波动下的鲁棒性不足问题。实验结果表明，该方法在信息保留和视觉保真度方面优于现有技术。

该研究提出了一种名为Text-DiFuse的交互式多模态图像融合框架，旨在解决现有方法在图像融合中未能有效处理的复合降质问题。通过将特征信息整合到扩散过程中，并利用文本控制，Text-DiFuse显著提高了融合性能，尤其在复杂降质场景中表现出色，实验验证了其在语义分割中的显著提升。

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。

本文介绍了多种图像融合方法的最新进展，包括基于极化信息的融合、感知融合框架、语义结构保持的融合和文本引导的融合。这些方法在提高图像融合质量和计算效率方面表现优异，尤其在对抗环境和智能交通系统中具有广泛应用潜力。

本研究提出了多种基于图的深度学习方法，旨在提高多模态视频中的行动检测和图像融合性能。通过图卷积网络和特征融合，克服模态差异，显著提升了在多个基准测试中的表现，尤其在无监督域适应和医学图像融合任务中取得了优异结果。

本文介绍了一种新的深度学习架构，用于多曝光图像融合，采用无监督学习和无参考质量度量进行训练。研究提出了基于Transformer的框架和Laplacian Pyramid分解网络，均在图像融合任务中表现优异。最新方法通过编码融合权重和注意力机制，显著提升了融合质量，实验结果显示其在质量和效率上优于现有技术。

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。

本文探讨了基于卷积神经网络和深度学习的遥感图像全色增色技术，提出了自监督学习框架、生成对抗网络和Transformer模型等新方法，显著提高了图像融合质量，解决了高分辨率与低分辨率图像融合的挑战。

本文介绍了新颖的RIS架构ReMamber及其在图像融合中的应用，结合Mamba块和多模态特征，提升了图像重建和目标检测性能。提出的FusionMamba和MambaDFuse模型在多模态图像融合任务中表现优异，展现了Mamba在跨模态融合中的潜力。此外，研究探讨了Mamba与Transformer的结合，提出MambaVision模型，在多个数据集上取得了最先进的性能。

本文介绍了将去噪扩散模型应用于图像融合任务的方法，设计了两种条件注入模块，并讨论了残差学习和目标函数选择。实验结果表明该方法在图像融合中具有最先进的结果和良好的泛化性能。

本文研究了结合开放域对话代理和视觉模型的多模态对话目标，探讨了图像融合方案和域自适应预训练和微调策略。研究表明，最好的模型在多模态对话和纯文本对话方面都表现优秀。同时，还整合了安全组件，不会影响模型性能。

本文提出了一种基于深度学习和低秩表示的图像融合网络构建方法，实现最佳融合效果。实验结果显示该方法优于其他方法且训练参数较少。

本文介绍了将去噪扩散模型应用于图像融合任务的方法，设计了两种条件注入模块，并讨论了残差学习和目标函数选择。实验结果表明，该方法在图像融合中具有最先进的结果和良好的泛化性能。希望能激发其他工作的灵感，推动扩散模型在图像融合中的应用。

本文介绍了将去噪扩散模型应用于图像融合领域的方法，设计了两种不同的条件注入模块，并讨论了去噪扩散模型在图像融合中的残差学习和目标函数选择。实验结果表明，该方法在图像融合任务中具有最先进的结果和良好的泛化性能。