用于红外与可见光图像融合的图表示学习

基于摘要分析。该研究面向红外与可见光图像融合，将规则图像转换到图空间，通过图卷积网络（GCNs）提取非局部自相似性（NLss），利用两种模态的互补信息重建融合图像；其主要研究对象是图像融合，而非 EEG 或 BCI。 方法先在各模态内部进行图卷积，聚合特征并传播信息，得到独立的模态内 NLss 特征；随后拼接红外与可见光特征，探索模态间的跨域 NLss 并重建图像。作者的动机是：现有 CNN 和 transformer 框架虽能提取局部特征或长程依赖，但仍可能忽略重复细节、纹理之间的自相似关系，或引入信息冗余。图表示旨在显式关联空间距离较远但具有重复结构的内容。具体节点、边及权重的定义，损失函数、训练监督与推理开销尚未验证。 作者报告，在 TNO、RoadScene 和 M3FD 数据集上的定性与定量评估中，该方法优于多种 SOTA 对照方法。摘要未提供具体指标、分数、数据划分和基线配置，故无法判断收益幅度，也不能据此归因为 NLss 建模本身；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将空间远距重复结构的图建模改为 EEG 通道或时间片之间的相似性建模，可能有助于跨通道信息聚合。可复用的是模态内图聚合思路，需改造节点与边的定义、训练目标及输出模块；原方法依赖互补图像及重复视觉结构，其监督方式与所需数据规模尚不明确。EEG 低信噪比可能产生伪相似边，被试差异、通道配置变化和小样本则可能使图结构不稳定。一个小规模可证伪实验是在固定数据划分和相同骨干下，对比相似性图、固定通道邻接图与无图聚合，检查跨被试收益及通道扰动下的稳定性；这不属于原论文已验证结果，已有 EEG 相关工作尚未检索确认。