論文の概要: Fusion from Decomposition: A Self-Supervised Approach for Image Fusion and Beyond

• arxiv url: http://arxiv.org/abs/2410.12274v1
• Date: Wed, 16 Oct 2024 06:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:42:17.303153
• Title: Fusion from Decomposition: A Self-Supervised Approach for Image Fusion and Beyond
• Title（参考訳）: 分解からの融合:画像融合とそれ以上の自己監督的アプローチ
• Authors: Pengwei Liang, Junjun Jiang, Qing Ma, Xianming Liu, Jiayi Ma,
• Abstract要約: 画像融合の本質は、ソース画像からの相補的な情報を統合することである。 DeFusion++は、画像融合の品質を高め、下流の高レベル視覚タスクの有効性を高める、汎用的な融合表現を生成する。
• 参考スコア（独自算出の注目度）: 74.96466744512992
• License:
• Abstract: Image fusion is famous as an alternative solution to generate one high-quality image from multiple images in addition to image restoration from a single degraded image. The essence of image fusion is to integrate complementary information from source images. Existing fusion methods struggle with generalization across various tasks and often require labor-intensive designs, in which it is difficult to identify and extract useful information from source images due to the diverse requirements of each fusion task. Additionally, these methods develop highly specialized features for different downstream applications, hindering the adaptation to new and diverse downstream tasks. To address these limitations, we introduce DeFusion++, a novel framework that leverages self-supervised learning (SSL) to enhance the versatility of feature representation for different image fusion tasks. DeFusion++ captures the image fusion task-friendly representations from large-scale data in a self-supervised way, overcoming the constraints of limited fusion datasets. Specifically, we introduce two innovative pretext tasks: common and unique decomposition (CUD) and masked feature modeling (MFM). CUD decomposes source images into abstract common and unique components, while MFM refines these components into robust fused features. Jointly training of these tasks enables DeFusion++ to produce adaptable representations that can effectively extract useful information from various source images, regardless of the fusion task. The resulting fused representations are also highly adaptable for a wide range of downstream tasks, including image segmentation and object detection. DeFusion++ stands out by producing versatile fused representations that can enhance both the quality of image fusion and the effectiveness of downstream high-level vision tasks, simplifying the process with the elegant fusion framework.
• Abstract（参考訳）: 画像融合は、複数の画像から1つの高品質な画像を生成する代替ソリューションとして有名である。 画像融合の本質は、ソース画像からの補完情報を統合することである。 既存の核融合法は様々なタスクをまたいだ一般化に苦慮し、しばしば労働集約的な設計を必要とするが、各核融合作業の多様な要求により、ソース画像から有用な情報を識別・抽出することは困難である。 さらに、これらの手法は、異なる下流アプリケーションのための高度に専門化された機能を開発し、新しい多様な下流タスクへの適応を妨げる。 これらの制限に対処するため、私たちは、自己教師付き学習(SSL)を活用した新しいフレームワークであるDeFusion++を導入し、異なる画像融合タスクのための特徴表現の汎用性を高める。 DeFusion++は、大規模なデータからイメージフュージョンタスクフレンドリーな表現を自己教師付き方法でキャプチャし、限られたフュージョンデータセットの制約を克服する。 具体的には、共通と一意の分解(CUD)とマスク特徴モデリング(MFM)という、2つの革新的なプリテキストタスクを紹介する。 CUDはソースイメージを抽象的な共通コンポーネントとユニークなコンポーネントに分解し、MFMはこれらのコンポーネントを堅牢な融合機能に洗練する。 これらのタスクを共同でトレーニングすることで、DeFusion++は、フュージョンタスクに関係なく、様々なソースイメージから有用な情報を効果的に抽出できる適応可能な表現を生成することができる。 結果として生じる融合表現は、画像のセグメンテーションやオブジェクト検出など、幅広い下流タスクにも高い適応性を持つ。 DeFusion++は、画像融合の品質と下流のハイレベルなビジョンタスクの有効性の両方を向上し、エレガントな融合フレームワークでプロセスを単純化する、汎用的な融合表現を作成することで際立っている。

関連論文リスト

• Conditional Controllable Image Fusion [56.4120974322286]
  条件付き制御可能核融合(CCF)フレームワーク。 CCFは、実際には個々の個人に対して特定の核融合の制約を課している。 様々なシナリオにまたがる一般融合タスクにおける有効性を検証する実験。
  論文  参考訳（メタデータ） (2024-11-03T13:56:15Z)
• Task-Customized Mixture of Adapters for General Image Fusion [51.8742437521891]
  一般画像融合は、マルチソース画像から重要な情報を統合することを目的としている。 本稿では, 汎用画像融合用アダプタ(TC-MoA)を新たに提案し, 統一モデルにおける様々な融合タスクを適応的に促進する。
  論文  参考訳（メタデータ） (2024-03-19T07:02:08Z)
• DePF: A Novel Fusion Approach based on Decomposition Pooling for Infrared and Visible Images [7.11574718614606]
  分解プール法(デプール法)に基づく新しい融合ネットワークを提案し,これをDePFと呼ぶ。 切り離しに基づくエンコーダは、ソース画像のマルチスケール画像と詳細特徴を同時に抽出するように設計されている。 実験により,提案手法は最先端技術よりも優れた核融合性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-05-27T05:47:14Z)
• A Task-guided, Implicitly-searched and Meta-initialized Deep Model for Image Fusion [69.10255211811007]
  本稿では,課題の多い現実シナリオにおいて,画像融合問題に対処するためのタスク誘導,インプリシト検索,メタ一般化(TIM)深層モデルを提案する。 具体的には、画像融合の教師なし学習プロセスを導くために、下流タスクからの情報を組み込む制約付き戦略を提案する。 このフレームワーク内に暗黙の探索スキームを設計し、高速な融合モデルのためのコンパクトなアーキテクチャを自動で発見する。
  論文  参考訳（メタデータ） (2023-05-25T08:54:08Z)
• Equivariant Multi-Modality Image Fusion [124.11300001864579]
  エンドツーエンドの自己教師型学習のための同変多モードImAge融合パラダイムを提案する。 我々のアプローチは、自然画像応答が特定の変換に等しくなるという以前の知識に根ざしている。 実験により、EMMAは赤外線可視画像と医用画像に高品質な融合結果をもたらすことが確認された。
  論文  参考訳（メタデータ） (2023-05-19T05:50:24Z)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)
• TransFuse: A Unified Transformer-based Image Fusion Framework using Self-supervised Learning [5.849513679510834]
  画像融合(英: Image fusion)とは、複数のソース画像からの情報を補完情報と統合し、単一の画像の豊かさを改善する技術である。 2段階の手法では、大規模な自然言語データセット上でエンコーダ・デコーダネットワークをトレーニングすることで、タスク固有の大量のトレーニングデータの必要性を回避する。 本稿では, ネットワークがタスク固有の特徴を学習することを奨励する, 破壊再構成に基づく自己指導型学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-19T07:30:44Z)
• UFA-FUSE: A novel deep supervised and hybrid model for multi-focus image fusion [4.105749631623888]
  伝統的および深層学習に基づく融合法は、一連の後処理手順を通じて中間決定マップを生成する。 深層学習に基づく画像再構成技術に着想を得て,多焦点画像融合ネットワークフレームワークを提案する。 提案手法は,19種類の最先端核融合法と比較して優れた核融合性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-12T14:33:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。