本研究提出了一种轮廓细化门框架，用于红外图像超分辨率，解决红外与可见图像模态差异的问题。通过新的光谱保真损失函数，恢复红外特征并保持光谱分布的保真度，实验结果表明该方法在视觉和感知任务中优于现有模型。

本研究提出了一种新型的单幅图像非均匀性校正算法，专门针对未冷却红外图像中的噪声问题。该算法实时高效，每个像素仅需执行两项操作，具有良好的实际应用潜力。

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。

本文综述了红外图像的小目标检测技术，提出了双层对抗性框架和空间频率交互网络，显著提升了检测的鲁棒性和准确性。同时介绍了YOLO v9架构和“Focus-and-Detect”框架，展示了在多种干扰下的优越性能，未来有望成为空中目标识别的基础模型。

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。

本文提出了一种新方法，通过空时局部特征差异和自适应背景抑制，准确检测红外图像序列中的小目标。实验结果表明，该方法在红外小目标检测方面优于现有技术。

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。

该研究提出了一种基于 I2V-GAN 的视频翻译方法，能够生成细粒度和时空一致的可见光视频。方法结合了对抗损失、循环一致性和相似性约束，并引入了新的 IRVI 数据集。研究还探讨了红外与可见光图像的融合及目标检测等技术，展现了优越的性能和良好的泛化能力。

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。

该研究介绍了自主学习在红外图像领域的应用，提供了一个大规模红外预训练数据集，并通过对象敏感的随机 RoI 裁剪方法和面向纹理缺失的图像预处理方法解决了传统方法在红外图像上的挑战。实验证明，该方法优于其他基线模型，仅使用了 1.23M 可预训练参数。

该研究提出了一种多域特征关系学习网络（MD-FRN），通过学习交互式跨域特征关系，提高了稳健性，并发布了一个包含1300对可见光和红外图像的数据集VL-CMIM。

该研究发布了一个包含1300对可见光和红外图像的数据集VL-CMIM，覆盖了不同场景的超过200万个块对。同时，提出了一种多域特征关系学习网络（MD-FRN），通过学习交互式跨域特征关系，提高了稳健性。

该文介绍了一种创新的红外和可见图像融合方法AMFusionNet，通过使用多个卷积核和注意力机制，吸收红外图像的热力细节和可见源的纹理特征，生成了丰富信息的图像。实验证明，该方法在质量和数量上优于现有算法，并在公开可用数据集上显示了显著的改进。

本文介绍了一种新的深度学习架构，用于红外和可见图像融合问题。该架构包括编码网络、融合层和稠密块，并设计了两个融合策略。与现有的融合方法相比，该方法在客观和主观评估方面均取得了最先进的性能。