ترجمه فارسی مقاله DAF-Net: یک شبکه ترکیبی تجزیه ویژگی دو شاخه با تطبیق دهنده دامنه برای فیوژن تصویر مادون قرمز و مرئی

چکیده

Infrared and visible image fusion aims to combine complementary information from both modalities to provide a more comprehensive scene understanding. However, due to the significant differences between the two modalities, preserving key features during the fusion process remains a challenge. To address this issue, we propose a dual-branch feature decomposition fusion network (DAF-Net) with domain adaptive, which introduces Multi-Kernel Maximum Mean Discrepancy (MK-MMD) into the base encoder and designs a hybrid kernel function suitable for infrared and visible image fusion. The base encoder built on the Restormer network captures global structural information while the detail encoder based on Invertible Neural Networks (INN) focuses on extracting detail texture information. By incorporating MK-MMD, the DAF-Net effectively aligns the latent feature spaces of visible and infrared images, thereby improving the quality of the fused images. Experimental results demonstrate that the proposed method outperforms existing techniques across multiple datasets, significantly enhancing both visual quality and fusion performance. The related Python code is available at https://github.com/xujian000/DAF-Net.

چکیده به فارسی (ترجمه ماشینی)

فیوژن تصویر مادون قرمز و قابل مشاهده با هدف ترکیب اطلاعات مکمل از هر دو روش برای ارائه درک جامع تر صحنه است.با این حال ، با توجه به تفاوت های معنی داری بین دو روش ، حفظ ویژگی های کلیدی در طی فرآیند فیوژن یک چالش است.برای پرداختن به این مسئله ، ما یک شبکه فیوژن تجزیه و تحلیل ویژگی دو شاخه ای (DAF-NET) با دامنه تطبیقی ​​پیشنهاد می کنیم ، که حداکثر اختلاف چند هسته ای (MK-MMD) را به رمزگذار پایه معرفی می کند و یک عملکرد هسته ترکیبی مناسب برای مادون قرمز را طراحی می کند.و همجوشی تصویر قابل مشاهده.رمزگذار پایه ساخته شده بر روی شبکه Restormer اطلاعات ساختاری جهانی را ضبط می کند در حالی که رمزگذار جزئیات مبتنی بر شبکه های عصبی غیرقابل برگشت (Inn) بر استخراج اطلاعات بافت جزئیات متمرکز است.با ترکیب MK-MMD ، DAF-NET به طور موثری فضاهای ویژگی نهفته تصاویر قابل مشاهده و مادون قرمز را تراز می کند و از این طریق کیفیت تصاویر ذوب شده را بهبود می بخشد.نتایج تجربی نشان می دهد که روش پیشنهادی از تکنیک های موجود در چندین مجموعه داده بهتر عمل می کند ، به طور قابل توجهی کیفیت بصری و عملکرد همجوشی را افزایش می دهد.کد مربوط به پایتون در https://github.com/xujian000/daf-net در دسترس است.