- 博客(10)
- 收藏
- 关注
RSS订阅原创 Equivariant Multi-Modality Image Fusion论文分享
在计算机视觉中，等变性如果你对输入做了某种变换（如旋转、平移），那么输出也会发生同样的变换。用数学公式表示：f(T(x))=T(f(x)），其中x是输入图像。T：变换（比如把图旋转90度）。f：你的融合模型（U-Fuser）。假设你有一张红外图和一张可见光图。先把两张原图融合，得到结果图，然后把结果图旋转90度。先把两张原图都旋转90度，再送入模型融合，得到结果图。如果模型具有等变性，那么做法A和做法B得到的结果应该是完全一样的。
2025-12-25 16:27:36
520
原创 12.25进展
2.下午2.到4点，把最优化看了看，看了一个外部惩罚与单纯形函数，感觉对于最优化的复习还是有点没有头绪。1.上午写了一个边缘计算的大作业，还差格式还没调整，中午回来又把内容继续调整了一会。3.下午主要看看明天组会需要汇报的一些东西。4.将之前看的文献整理到优快云中进行发布。
2025-12-25 15:55:46
19
原创 Text-IF: Leveraging Semantic Text Guidance for Degradation-Aware and Interactive Image Fusion（12.24）
传统的图像融合可能不知道图像“为什么”质量差（是太暗了？还是太亮了？Text-IF 通过引入文本描述，告诉模型“现在的图太暗了，请在融合时修正这一点”，然后通过SIGM 模块在特征层面动态调整融合策略，最终生成高质量的融合图像。
2025-12-24 15:23:14
365
原创 2025.12.23
今天没读论文，主要是将之前的三个消融实验给做了，效果其实还好，相较于之前与SOTA的对比实验，效果还是变好了的。但是整理PPT这部分，我感觉这个对比实验定性分析不太好，感觉会在组会上挨批。明天还是要继续整理定量分析这部分，尽可能这星期开始论文写作。还有就是论文分享以及组会的准备也要开始了。
2025-12-23 16:12:43
60
原创 FATFusion: A functional–anatomical transformer for medical image fusion(12.22)
这两张图的设计体现了双向增强模块就像是...解决的问题AGTM(图 4)给近视眼（功能图）戴上眼镜（解剖图）解决 SPECT 图像“模糊、没边界”的问题。FGTM(图 3)给黑白地图（解剖图）画上重点（功能图）解决 MRI 图像“看不出哪里生病、没重点”的问题。损失函数的设计：针对“解剖-功能”融合任务的特殊性，设计了一套能够平衡“亮度维持”与“纹理保持”的约束机制。内容损失（Content Loss,Lcon和结构相似度损失（Structural Similarity Loss,Lssim。
2025-12-22 16:28:47
667
原创 12.20
1.对重新加入的两个SOTA重新进行CT-MRI、PET-MRI以及SPECT-MRI的融合结果进行分析，再尝试对SPECT-MRI进行重新调参，训练得到更好的一个结果（经过调整参数之后，结果还是不太好，但是还能说的过去吧）
2025-12-22 16:04:31
68
原创 FusionMamba：Dynamic Feature Enhancement for Multimodal Image Fusion with Mamba
而且，最重要的是，它的计算复杂度是 线性 O(N)的，而不像 Transformer 是平方级 (O(N2) 的。FusionMamba 的设计主要针对 “清晰的多模态输入”，当输入图像存在噪声（如红外图像的热噪声、医学图像的扫描噪声）、模糊或低分辨率时，模型缺乏专门的降噪 / 增强模块，融合结果易放大原始输入的缺陷，鲁棒性有待提升。所以该篇文章的研究设计了一种新的基于Mamba的动态特征融合模型用于多模态图像融合，旨在更好地探索模态内和模态间的特征，同时动态增强源图像的细节纹理信息和各模态的特异性信息。
2025-12-20 14:50:42
890
原创 12.19日进展
2.CT-MRI（MA_SSM+ColorLoss）这个实验还未进行测试(没必要进行，因为w_col = 0 # CT 没有颜色，不计算此项）w_grad = 5 # PET 噪点多，梯度权重降低，防止图像脏。完成SPECT-MRI测试的实验效果的汇总。对PET-MRI进行一定的。上午（9.-11.）
2025-12-19 21:21:13
143
原创 2025.12.16
今天主要是又找了两个SOTA的方法（SeAFusion、MambaFuse）进行了对医学图像融合（师兄给我的建议），从而得到了CT-MRI，PET-MRI上的融合，并且将融合结果进行了汇总，但是我感觉这两种SOTA比我的改进方法的效果要更好了。接着又对MA_SSM对SPECT-MRI进行了训练，是基于PET-MRI的MA_SSM的权重+ColorLoss，训练大概是需要一个小时左右。1.完成SPECT-MRI测试的实验效果的汇总及分析。2.对PET-MRI进行一定的调参，提升实验效果。
2025-12-18 21:22:59
136
原创 MMIF-INet: Multimodal medical image fusion by invertible network 论文分享
本文研究了发表在Information Fusion期刊上的一篇关于多模态医学图像融合(MMIF)的论文。该论文提出了一种由离散小波变换(DWT)、可逆块(IB)和多尺度融合模块(MSFM)组成的新型融合框架。其中，IB采用仿射耦合层结构实现特征提取过程中的信息无损性，而MSFM则负责最终融合。论文通过精心设计的损失函数优化融合效果，确保颜色、纹理等关键信息的平衡。研究者在阅读过程中深入分析了DWT的作用、IB的可逆机制以及MSFM的融合原理，并与自身研究的CT-MRI融合进行了对比。文章还探讨了论文中定性
2025-12-16 14:50:28
946
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人