DenseFuse: A Fusion Approach to Infrared and Visible Images一、研究背景与现有方法缺陷二、网络整体架构三、两阶段训练方案（核心创新）阶段1：自编码器预训练阶段2：特征融合推理四、两种主流融合策略1. 直接相加（Addition）2.l 1 l_1l1​范数+Softmax加权融合五、实验设置与对比1. 实验数据集2. 对比算法3. 7项客观评价指标4. 实验结果六、结论与拓展DenseFuse 两阶段训练方案超详细拆解核心设计思想（先看懂为什么要分两阶段）第一阶段：自编码器预训练（完整训练流程）1. 网络结构（仅Encoder + Decoder，删掉融合层）2. 训练数据3. 损失函数（核心，平衡像素精度与结构完整性）4. 训练超参数5. 训练目标6. 训练效果验证第二阶段：固定权重，融合推理（无训练、仅前向传播）1. 网络改动2. 输入数据3. 两种可选融合策略（直接替换，无需重训网络）策略1：Add 直接相加融合策略2：l 1 l_1l1​-norm + Softmax自适应加权融合4. 第二阶段关键特点（区别于常规端到端训练）两阶段训练完整逻辑对比表这个方案的优势总结一、研究背景与现有方法缺陷红外与可见光图像融合是图像处理关键任务，目标是提取两张源图的显著特征并融合为一张高质量图像，广泛用于安防、军事领域。现有融合方法分为三类：多尺度分解法：通过分层分解提取特征后融合；表示学习法：稀疏表示、低秩表示等，仅简单使用l 1 l_1l