用于红外与可见光图像融合的去噪器学习

基于摘要分析。本文研究红外图像（IR）与可见光图像（VI）融合，提出通过学习去噪器来度量源图像信息并指导生成器，减少对手工设计的强度、梯度等算子的依赖；同时引入语义自适应度量损失，以适应不同源图像的语义信息密度。 核心机制是利用去噪器，将受到不同噪声干扰的融合图像恢复为源图像，在去噪器之间形成相互竞争关系，从而引导生成器挖掘各源图像的特有信息并学习更准确的特征表示。摘要未说明噪声分布、去噪器结构、竞争目标的数学形式、语义密度的估计方式及训练与推理阶段的模块配置，这些内容尚未验证。 作者报告，在三个公共数据集上的定量与定性实验中，该方法相较先进方法获得了更高的融合质量与更快的融合速度。摘要未提供数据集名称、数据划分、对照方法、评价指标、具体数值或运行硬件，因此尚不能判断增益幅度、适用场景及速度比较条件；实验协议、消融及统计信息尚未验证。 原论文的主要对象是多模态图像融合，而非 EEG 解码或 BCI。平台推测（待验证）：若存在配对、同步且具有互补信息的神经信号表征，可探索以源表征恢复目标约束融合；但需改造图像噪声模型和语义密度估计，并检验低信噪比下是否保留了源特有噪声，以及小样本、跨被试和通道差异是否破坏配对关系。一个可证伪的小实验是在固定划分的配对多模态数据上，比较加入与不加入去噪恢复约束的同一融合模型，分别评估下游解码表现和噪声扰动稳健性。该假设不构成已有 BCI 有效性证据，相关 EEG 工作尚未检索确认。