信息科学 | 可靠性自适应引导的红外与可见光图像融合
信息科学 | 可靠性自适应引导的红外与可见光图像融合
摘要:针对复杂交通场景下光照变化与跨模态干扰导致自动驾驶感知能力退化的问题,提出一种基于可靠性自适应引导的红外与可见光图像融合网络。该方法通过构建像素级可靠性度量机制,联合建模结构一致性与强度异常以动态评估信源可信度,在全局层采用“可信注入”策略校正强度分布,在细节层利用自适应引导滤波实现显著目标与纹理的竞争增强,并结合多约束损失函数协同优化。在M3FD与RoadScene数据集上的实验结果表明,相较于DWT,GTF,U2Fusion及Umcfuse等主流算法,本文方法在信息熵、标准差、空间频率、平均梯度、互信息、融合质量、边缘强度及视觉信息保真度等分别平均提高了1.51%,16.56%,42.36%,52.24%,38.28%,80.51%,21.4%和17.6%;在下游目标检测任务中平均精确率达91.4%,优于其他融合方法。该方法有效抑制了伪影与噪声,具备优异的场景泛化性与稳定性,能显著提升自动驾驶系统的环境感知精度。