用于红外与可见光图像融合的图表示学习

基于摘要分析。本文研究红外与可见光图像融合，通过图表示学习提取两类图像的互补特征，并重建单幅融合图像；核心贡献是采用级联图卷积网络（GCNs）分别建模模态内与模态间的非局部自相似性（NLss）。 作者的出发点是：CNN 的局部特征提取难以充分利用远距离重复细节与纹理，而通过池化扩大感受野可能损失信息；transformer 对全部图像块之间的相关性进行建模，则可能引入冗余。这些是作者提出的方法动机，不能据摘要视为对所有相关架构的普遍结论。所提方法先在各模态内部执行 GCNs，通过图上的特征聚合与信息传播提取独立的模态内 NLss；随后拼接红外与可见光的模态内特征，再执行 GCNs，提取模态间 NLss 并用于融合图像重建。摘要强调利用图连接空间距离较远、但细节或纹理相似的位置，未提供具体建图准则、边权计算、损失函数或训练设置。 作者报告，在三个数据集上的实验及消融研究支持该方法的有效性与优越性；摘要未列出数据集名称、划分、对照方法、评价指标及具体数值，因此尚不能判断收益幅度或比较条件。实验协议、消融及统计信息尚未验证；代码与完整复现条件也尚未验证。 平台推测（待验证）：若 EEG 多通道或多模态记录中存在稳定的非局部重复结构，可假设复用“内部关系聚合—跨来源关系聚合”的级联思路，但原论文依赖图像空间位置与纹理相似性，不能直接等同于神经信号关系。迁移时需改造节点、边及输出任务，低信噪比、跨被试差异、通道变化和小数据可能使相似性图不稳定。一个可检验的小实验是在固定跨被试 EEG 协议下，比较级联图聚合与仅模态内图聚合，并检验收益是否对相似性建图扰动敏感。该建议不是论文结果，已有 EEG 相关工作尚未检索确认。