图像融合论文速读：SGFusion: A saliency guided deep-learning framework for pixel-level image fusion

最新推荐文章于 2025-01-18 22:19:12 发布
最新推荐文章于 2025-01-18 22:19:12 发布
阅读量2k 收藏 21
点赞数 28
分类专栏： 图像融合 文章标签： 论文阅读 图像处理 人工智能 论文笔记 深度学习 图像融合
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jiexiang5396/article/details/137126264
版权
作者提出SGFusion，一种端到端的通用图像融合框架，利用显著性检测指导深度学习过程，通过双解码器处理多模态图像和多曝光图像，显著性特征作为融合权值，实现了高性能的图像融合并减少了伪影。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

@article{liu2023sgfusion,
title={SGFusion: A saliency guided deep-learning framework for pixel-level image fusion},
author={Liu, Jinyang and Dian, Renwei and Li, Shutao and Liu, Haibo},
journal={Information Fusion},
volume={91},
pages={205–214},
year={2023},
publisher={Elsevier}
}

论文级别：SCI A1 TOP
影响因子：18.6

📖[论文下载地址]
💽[代码下载地址（暂无）]

文章目录

📖论文解读

作者提出了一种【显著性引导】的【端到端】【通用】【像素级】图像融合框架SGFusion，可用于多模态图像融合（IVIF、医学MRI+PET）和多曝光图像融合任务。
该网络采用双导编码、图像重建解码和显著性检测解码过程，同时从图像中提取不同尺度的特征映射和显著性映射。将显著性检测解码作为融合权值，将图像重构解码的特征合并生成融合图像，可以有效地从源图像中提取有意义的信息，使融合图像更符合视觉感知。

🔑关键词

Pixel-level image fusion 像素级图像融合
Fusion weight 融合权重
Deep learning 深度学习
Saliency detection 显著性检测

💭核心思想

训练的时候是单编码器（提取特征）双解码器（其实就是特征重构解码器和Mask解码器，用于重构源图像和掩膜）

🎖️本文贡献

  • 提出了一种像素级通用图像融合模型，只需要训练一个模型，即可实现多任务图像融合
  • 利用显著性检测来指导图像编码过程，利用显著性检测的特征作为融合权值来实现图像解码过程
  • SOTA

🪅相关背景知识

  • 深度学习
  • 神经网络
  • 图像融合

扩展学习
[什么是图像融合？（一看就通，通俗易懂）]

🪢网络结构

🪢训练部分

对于训练部分，构建【多尺度双导编码融合网络】(multi-scale dual-guided encoding fusion, MDEF)作为整个框架，MDEF主要包括：

  • dual-guided encoding 双指导编码 下图中蓝色模块
  • image reconstruction decoding 图像重构编码 下图中黄色模块
  • saliency detection decoding 显著检测解码 下图中粉色模块
作者提出的网络结构如下所示。

整体结构说白了就是单编码器双解码器，双解码器一个重构源图像，一个生成显著性掩膜

在这里插入图片描述
既然是双解码器，因此就会有两个损失
重构损失Lr和掩膜损失Lm
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
MAE，Mean Absolute Error，平均绝对误差

Binary Cross Entropy(BCE)，二值交叉熵
在这里插入图片描述

🪢融合部分

对于融合部分
利用训练部分的结构重构双输入网络，并将网络提取的显著特征作为权重进行图像融合，生成最终的融合结果

作者提出的网络结构如下所示。

在这里插入图片描述

这里特征融合作者选择了加法策略，融合以后就到E‘那个地方了，然后使用特征重构模块生成融合图像
诶？那前面说了半天的D，显著性检测解码哪去了？？？
问得好
咱们先看原文
在这里插入图片描述

在这里插入图片描述
3.2.1节说了什么？
又是一个好问题，作者想表达的其实就是：
不同类型的源图像对各种融合任务都有限制，因此有必要选择合适的源图像来生成融合权值。此外，权值设计的另一个关键点是选择显著性检测解码的哪一部分生成权值。

其中，显著性检测解码生成的特征有两个部分：多尺度特征和生成的显著性图（权重图）
在这里插入图片描述
经过对比，作者只使用多尺度特征来生成融合层，可以使融合方法兼顾重要的区域信息和环境信息，避免产生伪影

作者选择显著性检测解码的第一层卷积层计算多尺度权值，同时舍弃了不能有效提取显著性信息的权重

📉损失函数

上文已介绍

🔢数据集

测试数据集：

  • TNO
  • DOI:10.1016/j.infrared.2017.02.005

训练数据集：
对于通用的IF模型，作者只使用了一个数据集训练，这个数据集就是EC-SSD

这是一个显著性分割数据集

图像融合数据集链接
[图像融合常用数据集整理]

🎢训练设置

在这里插入图片描述
在这里插入图片描述

🔬实验

📏评价指标

  • EN
  • MI
  • ME-SSIM
  • QABF

扩展学习
[图像融合定量指标分析]

🥅Baseline

  • IVIF
    Densefuse、GTF、fusongan、IFEVIP、U2Fusion

✨✨✨扩展学习✨✨✨
✨✨✨强烈推荐必看博客[图像融合论文baseline及其网络模型]✨✨✨

🔬实验结果

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

更多实验结果及分析可以查看原文：
📖[论文下载地址]

🧷总结体会

单编码器和双解码器，双解码器一个用于重构，一个用于生成mask

🚀传送门

📑图像融合相关论文阅读笔记

📑[(TLGAN)Boosting target-level infrared and visible image fusion with regional information coordination]
📑[ReFusion: Learning Image Fusion from Reconstruction with Learnable Loss via Meta-Learning]
📑[YDTR: Infrared and Visible Image Fusion via Y-Shape Dynamic Transformer]
📑[CS2Fusion: Contrastive learning for Self-Supervised infrared and visible image fusion by estimating feature compensation map]
📑[CrossFuse: A novel cross attention mechanism based infrared and visible image fusion approach]
📑[(DIF-Net)Unsupervised Deep Image Fusion With Structure Tensor Representations]
📑[(MURF: Mutually Reinforcing Multi-Modal Image Registration and Fusion]
📑[(A Deep Learning Framework for Infrared and Visible Image Fusion Without Strict Registration]
📑[(APWNet)Real-time infrared and visible image fusion network using adaptive pixel weighting strategy]
📑[Dif-fusion: Towards high color fidelity in infrared and visible image fusion with diffusion models]
📑[Coconet: Coupled contrastive learning network with multi-level feature ensemble for multi-modality image fusion]
📑[LRRNet: A Novel Representation Learning Guided Fusion Network for Infrared and Visible Images]
📑[(DeFusion)Fusion from decomposition: A self-supervised decomposition approach for image fusion]
📑[ReCoNet: Recurrent Correction Network for Fast and Efficient Multi-modality Image Fusion]
📑[RFN-Nest: An end-to-end resid- ual fusion network for infrared and visible images]
📑[SwinFuse: A Residual Swin Transformer Fusion Network for Infrared and Visible Images]
📑[SwinFusion: Cross-domain Long-range Learning for General Image Fusion via Swin Transformer]
📑[(MFEIF)Learning a Deep Multi-Scale Feature Ensemble and an Edge-Attention Guidance for Image Fusion]
📑[DenseFuse: A fusion approach to infrared and visible images]
📑[DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pair]
📑[GANMcC: A Generative Adversarial Network With Multiclassification Constraints for IVIF]
📑[DIDFuse: Deep Image Decomposition for Infrared and Visible Image Fusion]
📑[IFCNN: A general image fusion framework based on convolutional neural network]
📑[(PMGI) Rethinking the image fusion: A fast unified image fusion network based on proportional maintenance of gradient and intensity]
📑[SDNet: A Versatile Squeeze-and-Decomposition Network for Real-Time Image Fusion]
📑[DDcGAN: A Dual-Discriminator Conditional Generative Adversarial Network for Multi-Resolution Image Fusion]
📑[FusionGAN: A generative adversarial network for infrared and visible image fusion]
📑[PIAFusion: A progressive infrared and visible image fusion network based on illumination aw]
📑[CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion]
📑[U2Fusion: A Unified Unsupervised Image Fusion Network]
📑综述[Visible and Infrared Image Fusion Using Deep Learning]

📚图像融合论文baseline总结

📚[图像融合论文baseline及其网络模型]

📑其他论文

📑[3D目标检测综述：Multi-Modal 3D Object Detection in Autonomous Driving：A Survey]

🎈其他总结

🎈[CVPR2023、ICCV2023论文题目汇总及词频统计]

✨精品文章总结

✨[图像融合论文及代码整理最全大合集]
✨[图像融合常用数据集整理]

🌻【如侵权请私信我删除】

如有疑问可联系：420269520@qq.com;
码字不易，【关注，收藏，点赞】一键三连是我持续更新的动力，祝各位早发paper，顺利毕业~

TPAMI 2024 | 多模态图像融合的通用空间-频率学习框架
小白学视觉
12-07 163
多模态图像融合涉及如全景锐化和深度超分辨率等任务。这些任务的目标是通过融合纹理丰富的引导图像和低分辨率目标图像的互补信息来生成高分辨率目标图像。它们天生就需要重建高频信息。尽管它们在频域上有联系，但大多数现有方法仅在空间域内操作，很少探索频域内的解决方案。本研究通过在空间和频域内提出解决方案来解决这一局限性。我们为此目的设计了一个空间-频率信息集成网络，简称为SFINet。SFINet包括一个专为图像融合量身定制的核心模块。该模块由三个关键组件组成：空间域信息分支、频域信息分支和双域交互。
图像融合论文及代码网址整理总结（3）——题目中未加区分的图像融合算法
Daniel_Shi的博客
12-25 4万+
写在前面的话： 之前写过两篇博文，针对性地整理汇总了多聚焦图像融合和红外与可见光图像融合的算法。之所以这样分类，是基于论文的标题和内容中明确指出了所处理的图像类型。 而本篇博文主要整理那些论文标题中未明确指出所处理的图像对象。换句话说，作者提出的算法既可以处理多聚焦图像，也可以处理红外与可见光等多模态图像（包括医学图像融合）（当然，这些也可以在论文的实验部分看到），多曝光图像等。 整理这些的...
多模态图像融合“真香警告”！轻松斩获多篇CCF-A！速来抄作业！
2401_82426425的博客
01-02 539
杀疯了！前脚CVPR24刚开拓了融合新范式，提出端到端自监督学习的模型EMMA，刷爆多项SOTA；后脚TPAMI24便又发表首个，能在空间域和频域同时处理融合问题的模型SFINet！不仅如此，在ECCV、WACV、AAAI等顶会，也都有多篇，热度可见一斑！主要在于，它能将多种类型的图像数据或特征相互融合，在提高图像识别、处理任务准确性和效率方面效果拔群，且在自动驾驶、医学影像、人机交互等领域都有着广泛的应用。但其也面临数据不均衡、模型难对齐、信息丢失等挑战。因而对其的研究成为了迫切需求！
图像融合论文阅读：CoCoNet: 基于多层特征集成的耦合对比学习网络多模态图像融合
图像强的博客
12-26 4838
作者提出了一种耦合对比学习网络CoCoNet，这是一个【通用】的图像融合网络。 使用耦合对比学习来指导模型区分目标以及纹理细节，并且采用了一种测量机制来计算源图像的比例重要性，以生成数据驱动的权重并应用于损失函数之中。
图像融合论文速读：SDCFusion_A semantic-driven coupled network for infrared and visible image fusion（2024年）
图像强的博客
06-04 2918
SDCFusion，将语义分割网络和图像融合网络结合，注意不是以往方法的采用的级联方式，而是将分割网络和融合网络耦合+级联至一个框架中
Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segment
qq_49230659的博客
07-13 2006
Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation摘要3. Proposed Method3.1. Motivation3.2. Explicit Pseudo-pixel Supervision3.3. Joint Training Procedure 摘要 现有的弱监督语义分割（WSSS）使用image-level的弱监督，但这样有很多限制：稀疏
图像融合论文速读：SMAE-Fusion: Integrating saliency-aware masked autoencoder with hybrid attention transforme
图像强的博客
12-30 1422
SMAE-Fusion是一种新颖的红外-可见光图像融合框架，它将自监督学习范式与显着性感知动态掩蔽相结合。 最初，SMAE-Fusion 利用掩模图像建模，并采用所提出的掩模策略来重建关键区域和目标，有效地弥合了上游预训练和下游任务之间的语义差距。 随后，我们提出了一种混合注意力增强变压器作为特征提取的骨干网络，它通过建模局部和全局特征之间的交互来实现全面有效的特征表示。 此外，渐进式特征融合模块无缝地结合了自注意力和交叉注意力机制，增强了跨模态特征的语义一致性，同时保留了互补信息。
Learning Multi-modal Information for Robust Light Field Depth Estimation论文阅读
wtlaibaodao的博客
06-29 235
在本文中，通过焦点栈和RGB图来预测光场图片深度。1、全面提取纹理信息来寻找内部空间联系。 2、有效的融合从焦点栈和RGB图像中，使用注意力引导交叉融合模型提取到的信息。全面的利用了网络中每个模块的每个部分的特性，并且取得了非常好的效果。...
【论文速读】BEVFusion: A Simple and Robust LiDAR-Camera Fusion Framework
minyshi的博客
10-17 1014
此外，BEVFusion在激光雷达和相机发生故障时仍能保持较高的检测性能，证明了其在多模态3D目标检测中的鲁棒性和实用性。相机流首先使用2D骨干网络提取图像特征，然后通过特征金字塔网络（FPN）和自适应模块（ADP）进行多尺度特征融合，最后通过2D到3D的视图投影器将这些特征转换为3D ego-car坐标系中的特征，并最终编码为BEV空间特征。该框架包含两个独立的流，相机流和激光雷达流,分别编码来自相机和激光雷达的原始输入，并在相同的鸟瞰图（BEV）空间中生成特征，然后通过一个简单的融合模块结合这些特征。
论文速读|PLIP: Language-Image Pre-training for Person Representation Learning.用于人物表示学习的语言图像预训练
科研笔记
01-18 1082
预训练已成为学习强大人物表征的有效技术。大多数现有方法都表明，在ImageNet和LUPerson等纯视觉大规模数据集上进行预训练已经取得了显着的性能。然而，仅仅依靠视觉信息，缺乏稳健的明确指标，给这些方法学习判别性的人表示带来了挑战。从人物描述的内在细粒度属性指标中汲取灵感，我们探索将语言模态引入人物表征学习中。为此，我们提出了一种新的用于人物表征学习的语言图像预训练框架，称为PLIP。
ECL: Class-Enhancement Contrastive Learning for Long-Tailed Skin Lesion Classification论文速读
qq_45745941的博客
04-20 818
皮肤图像数据集往往存在数据分布不平衡的问题，加剧了计算机辅助皮肤病诊断的难度。最近的一些工作利用监督对比学习（SCL）来应对这种挑战。尽管取得了显著的性能，但这些基于 SCL 的方法更多地关注头部类，而忽略了尾部类中信息的利用。本文提出了class Enhancement Contrastive Learning（ECL），它丰富了少数群体的信息，平等对待不同的群体。为了增强信息，我们设计了一个混合代理模型来生成类依赖代理，并提出了一种参数优化的周期更新策略。
【论文速读】P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales andTasks
weixin_43457608的博客
10-14 716
提示调优），即只使用冻结的语言模型来调优连续的提示，它大大减少了训练中每个任务的存储和内存使用。然而，在NLU的背景下，先前的工作表明，提示调优对于正常大小的预训练模型表现不佳。我们还发现，现有的提示调优方法不能处理硬序列标记任务，这表明缺乏通用性。我们提出了一个新的经验发现，即适当优化的提示调优可以在广泛的模型尺度和NLU任务中普遍有效。它与微调的性能相匹配，而只有0.1%-3%的调整参数。
【论文速读】BEVFormer: Learning Bird’s-Eye-View Representation from Multi-Camera Images via Spatiotemporal
minyshi的博客
10-17 1010
BEVFormer在速度估计的准确性上也有显著提升，其mAVE（mean Average Velocity Error）达到了0.378 m/s，远低于其他基于相机的方法。BEVFormer模型架构的核心是从多相机图像中学习鸟瞰图（BEV）表示，以支持自动驾驶系统中的多种感知任务。该架构由若干个编码层组成，每个编码层都包含三个关键设计：BEV查询、空间交叉注意力和时间自注意力。BEVFormer是一个用于自动驾驶系统的多相机输入的鸟瞰图（BEV）特征学习框架。
浙江大学刘勇教授课题组多项工作收录ICCV2023及近期学术成果汇编
阿木寺的博客
08-24 3116
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【目标检测和Transformer】交流群ICCV（International Conference on Computer Vision，国际计算机视觉大会）是计算机领域世界顶级的学术会议之一，每两年举办一届，其论文集代表了计算机视觉领域最新的发展方向和水平，2023年将于今年10月在法国巴黎举行。近期，ICC...
图像融合论文阅读：IFCNN: A general image fusion framework based on convolutional neural network
图像强的博客
12-20 3611
IFCNN是一个【全卷积】的【端到端】【通用】图像融合模型，模型包括：特征提取、特征融合、特征重构三部分。 - 输入（【多组】【3通道】图像） - RGB->YCbCr，叠加Y通道3次作为输入 - 单通道图像，直接叠加3次变成3通道 - 特征提取 使用在ImageNet上预训练的ResNet101的第一个卷积层作为特征提取的第一个卷积层，但是因为该卷积层是用于分类任务的，因此添加了第二个卷积层以适应图像融合任务。 - 特征融合 并没有采用concat后再卷积融合的操作，而是使用元素融合规则
图像融合论文及代码整理最全大合集
热门推荐
fovever_的博客
05-08 5万+
本博文全面整理了图像融合领域的论文及代码。主要包括红外和可见光图像融合，医学图像融合，多聚焦图像融合，多曝光图像融合以及全色图像锐化等众多融合场景。同时提供了每个融合场景中常用数据集的下载地址并整理了常用评估指标。有助于新人系统地了解图像融合领域的脉络及发展。............
图像融合论文速读：MUFusion: A general unsupervised image fusion network based on memory unit
图像强的博客
03-28 2191
该文提出了一种基于新的记忆单元结构的自进化训练的【端到端】的【通用】图像融合模型MUFusion，可以处理多模态图像融合（IVIF、医学）及数字摄影图像融合（多聚焦、多曝光）任务。
多模态梳理
顺其自然~专栏
08-14 2074
多模态融合的主要目标是缩小模态间的异质性差异，同时保持各模态特定语义的完整性，并在深度学习模型中取得最优的性能。多模态融合离不开数据表达形式，图像分支的数据表示较简单，一般均指RGB格式或灰度图，但激光雷达分支对数据格式的依赖度较高，不同的数据格式衍生出完全不同的下游模型设计，总结来说包含三个大方向：基于点、基于体素和基于二维映射的点云表示。如何判断每个模态的置信水平如何判断模态间的相关性如何对多模态的特征信息进行降维如何对非同步采集的多模态数据进行配准等。
基于深度学习的医学图像融合(Medical image fusion)论文及代码整理
fovever_的博客
05-01 1万+
基于深度学习的医学图像融合(Medical image fusion)论文及代码整理。主要将已有的基于深度学习的医学图像融合算法归类为基于卷积神经网络的医学图像融合框架和基于生成对抗网络的医学图像融合框架。
将传统的卷积神经网络替换为特征金字塔网络，在高层特征图上构建了SSCF(Sub-pixel Shortcut Fusion)和SCFF(Sub-pixel Context Feature Fusion)结构。将英文部分翻成中文
最新发布
03-20
### 特征金字塔网络（FPN）替换传统CNN并实现SSCF与SCFF #### FPN 替代传统 CNN 的核心原理 特征金字塔网络（Feature Pyramid Network, FPN）是一种用于多尺度目标检测的有效架构。其主要思想是通过创建一个多尺度的特征金字塔来捕获不同层次的信息[^1]。相比于传统的卷积神经网络（CNN），后者通常仅依赖单一尺度的特征图进行预测，而 FPN 则能够充分利用从低级到高级的不同分辨率特征。 FPN 结合了自顶向下的路径和横向连接机制，从而有效地融合了高分辨率的浅层特征和富含语义信息的深层特征[^2]。这种方法不仅提高了模型对小物体的检测能力，还增强了整体性能。 --- #### 子像素快捷融合（Sub-pixel Shortcut Fusion, SSCF） 子像素快捷融合（SSCF）是指一种在高层特征图中引入低层细节信息的技术。具体来说，在构建特征金字塔的过程中，可以通过插值或其他方式提升低分辨率特征图的空间尺寸，并将其与更高分辨率的特征图相加或拼接。这种方式有助于保留更多的局部纹理信息，同时减少因下采样而导致的信息丢失。 以下是实现 SSCF 的伪代码示例： ```python import torch.nn as nn class SubPixelShortcutFusion(nn.Module): def __init__(self, channels): super(SubPixelShortcutFusion, self).__init__() self.up_sample = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True) def forward(self, high_level_feature, low_level_feature): upsampled_high = self.up_sample(high_level_feature) fused_feature = upsampled_high + low_level_feature # 或者使用 concat 操作 return fused_feature ``` 上述代码展示了如何将高层次特征图上采样并与低层次特征图进行逐元素相加操作[^5]。 --- #### 子像素上下文特征融合（Sub-pixel Context Feature Fusion, SCFF） 子像素上下文特征融合（SCFF）进一步扩展了 SSCF 的概念，旨在增强特征表示中的全局上下文关系。该技术不仅可以融合高低层之间的空间信息，还可以捕捉更广泛的场景理解。例如，通过注意力机制或者通道间交互模块，可以动态调整各部分的重要性权重。 下面提供了一种简单的 SCFF 实现方案： ```python class SubPixelContextFeatureFusion(nn.Module): def __init__(self, in_channels, out_channels): super(SubPixelContextFeatureFusion, self).__init__() self.conv1x1 = nn.Conv2d(in_channels, out_channels, kernel_size=1) self.attention_module = AttentionModule(out_channels) # 自定义注意力模块 def forward(self, feature_map): reduced_features = self.conv1x1(feature_map) context_enhanced = self.attention_module(reduced_features) return context_enhanced ``` 在此设计中，`AttentionModule` 可以采用 SE-Net 中的挤压激励机制或者其他形式的注意力建模工具[^6]。 --- #### 翻译术语解释 - **Sub-pixel Shortcut Fusion (SSCF)** 子像素快捷融合：指通过对低分辨率特征图进行放大处理后再与高分辨率特征图相结合的过程。 - **Sub-pixel Context Feature Fusion (SCFF)** 子像素上下文特征融合：除了完成基本的空间维度匹配外，还会加入额外的上下文感知逻辑以优化最终输出质量。 --- ### 性能对比分析 相比单纯依靠图像金字塔的传统方法[^4]，FPN 能够显著降低计算成本，因为它无需针对每张输入图片生成多个缩放版本；相反，它是直接作用于原始大小的数据集之上并通过内部结构调整达到类似效果。此外，结合 SSCF 和 SCFF 技术后，整个框架对于复杂背景条件下的微小对象识别更加敏感且鲁棒性强。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

图像强

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值