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。

本文提出了多种深度学习架构用于多曝光图像融合，强调无监督学习和自监督多任务学习的应用。研究显示新方法在图像质量和计算效率上具有优势，特别是在智能手机摄影中，探讨了计算资源与图像质量的权衡，强调选择合适配置的重要性。

本研究提出了一种基于全景图几何偏置的EGformer变压器，旨在提高扭曲equirectangular图像的深度估计效果。该方法在深度结果、计算成本和参数上均表现优异，证明了其有效性。此外，研究还探讨了多曝光图像融合、医学图像去噪及低光照图像增强等技术，均优于传统方法。

U-Mamba 是一种基于深度序列模型的医学图像分割网络，结合卷积层和序列模型的优点，适应不同数据集并提高分割效果。MambaDepth 结合 U-Net 和 Mamba 架构，提升自监督深度估计的精度。SegMamba 是新型 3D 医学图像分割模型，表现优异。CM-UNet 和 FusionMamba 分别用于遥感图像分割和多模式图像融合，均展现出良好性能。

本文提出了基于Mamba框架的图像融合和超分辨率方法，包括FusionMamba和MambaDFuse，显著提升了多模态医学图像和红外-可见光图像的融合性能。这些方法在特征提取和融合方面表现出高效性和准确性，具有良好的泛化能力和目标检测性能。

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。