複雑なシナリオにおいて、融合モデルは赤外画像のグローバルな大規模構造と可視光画像の局所的な小規模な詳細特徴を十分に抽出し、それらを協調的に融合することが難しく、融合効果が不十分になることが多い。本稿では、スケール分業に基づく協調融合原則を提案し、オートエンコーダ構造に基づく新しい融合モデルを設計した。モデルのエンコーダとデコーダは畳み込みニューラルネットワーク（CNN）アーキテクチャを採用している。本モデルはグローバルな二重グループ注意メカニズムを利用し、特徴マップを長さ方向と幅方向にグループ分けして情報を抽出し、その後チャネルを跨ぐ二重グループ注意マップによって特徴マップに重み付けを行い、より多くのグローバルな大規模構造情報を含む新しい特徴マップを生成し、多次元の画像情報抽出を実現する。多尺度のダイレートプーリング畳み込みメカニズムを利用し、多様な受容野のサイズおよびグローバル平均プーリング・中央値プーリング操作を通じて画像中の局所的な小規模特徴情報を抽出する。デコーダは密結合層とスキップ接続を統合し、大規模構造と小規模な詳細特徴を協調的に融合させ、融合画像を再構築する。実験結果は、本手法がMSRSとTNOのデータセットで、他の手法と比べ情報エントロピー、平均勾配、エッジ強度をそれぞれ0.95%、6.28%、6.19%および1.75%、13.51%、11.75%向上させたことを示している。空間周波数はMSRSデータセットで4.61%向上し、TNOデータセットではMDLSR-RFM手法に次いで2位であり、複雑なシナリオにおける融合画像の品質を効果的に向上させるとともに、高い安定性と汎化能力を有している。

赤外線と可視光画像の融合;画像強調;グローバル二重グループ注意;ダイレート畳み込み