Rethinking Multi-Focus Image Fusion: An Input Space Optimization View

Zeyu Wang

doi:10.1109/TIP.2026.3654370

Rethinking Multi-Focus Image Fusion: An Input Space Optimization View

2026-01-23

0

PRE

AI

DOI：10.1109/TIP.2026.3654370

原文链接

原文求助

摘要

En 中文

多焦点图像融合（MFIF）通过整合在不同焦深处拍摄的多个源图像来解决部分聚焦的挑战。与大多数依赖复杂损失函数或大规模合成数据集的现有方法不同，本研究从新颖的角度切入MFIF：优化输入空间。其核心思想是利用预训练的非MFIF网络的中间特征，以低成本方式构建高质量的MFIF输入空间。为此，我们提出一个包含两个特征提取器、一个特征蒸馏与融合模块（FDFM）以及一个聚焦分割网络Y ${}^{U}$ Net的级联框架。基于我们观察到差异特征和边缘特征对MFIF至关重要，我们选择图像去模糊网络和显著对象检测网络作为特征提取器。为将这些提取的特征转化为适合MFIF的输入空间，我们提出FDFM作为无训练的特征适配器。为使FDFM兼容高维特征图，我们借鉴边缘保持领域的流形理论并设计了新颖的等距域变换。在六个基准数据集上的大量实验表明：1）我们的模型在定性和定量评估中均稳定优于13种最新方法；2）所构建的输入空间可直接提升许多MFIF模型的性能，且无需额外要求。

Keyword:

Multi-focus image fusion

feature extraction

edge preservation

input space optimisation

neural network

Rethinking Multi-Focus Image Fusion: An Input Space Optimization View

摘要

期刊

机构