في السيناريوهات المعقدة، غالبًا ما يصعب على نماذج الدمج استخراج الهيكل العالمي واسع النطاق في صور الأشعة تحت الحمراء والميزات التفصيلية المحلية صغيرة النطاق في صور الضوء المرئي ودمجها بشكل تعاوني، مما يؤدي إلى تأثير دمج ضعيف. تقترح هذه الورقة مبدأ الدمج التعاوني المبني على تقسيم النطاق، وتصمم نموذج دمج جديد قائم على هيكلية المشفر التلقائي، حيث يستخدم المشفر وفك التشفير شبكة convolutional العصبية (CNN). يستخدم النموذج آلية انتباه ثنائية المجموعات العالمية، حيث يتم استخراج المعلومات من خرائط الميزات باتجاه الطول والعرض بعد التجميع، ثم يتم وزن خرائط الميزات عبر خريطة انتباه ثنائية المجموعات عبر القنوات، لإنتاج خرائط ميزات جديدة تحتوي على معلومات هيكلية واسعة النطاق أكثر، محققًا استخراج معلومات صور متعددة الأبعاد؛ يستخدم آلية تجميع الالتفاف الموسع متعدد النطاق، من خلال مجالات استقبال متعددة الأحجام وعمليات التجميع المتوسط والعيني العالمية، لاستخراج ميزات التفاصيل الصغيرة المحلية في الصور؛ يستخدم فك التشفير دمج طبقات متصلة بكثافة وروابط تخطي للميزات الهيكلية واسعة النطاق والتفاصيل صغيرة النطاق بحيث تندمج بشكل تعاوني لإعادة بناء صورة الدمج. أظهرت التجارب أن الطريقة على مجموعتي بيانات MSRS وTNO، مقارنة بالطرق الأخرى، حسنت الإنتروبيا المعلوماتية، متوسط التدرج، قوة الحافة بنسبة 0.95٪، 6.28٪، 6.19٪ و 1.75٪، 13.51٪، 11.75٪ على التوالي. زادت الترددات المكانية بنسبة 4.61٪ على مجموعة بيانات MSRS، وكانت ثاني أفضل بعد طريقة MDLSR-RFM على مجموعة TNO، مما عزز جودة صور الدمج في السيناريوهات المعقدة بفعالية، وكانت لها أيضًا استقرار وقدرة تعميم جيدة.

دمج صور الأشعة تحت الحمراء والضوء المرئي;تعزيز الصور;انتباه ثنائي المجموعات العالمي;التفاف متوسع