基于坐标注意力的重参数化红外与可见光图像融合网络

针对现有大多数基于深度网络的图像融合方法网络架构复杂、计算成本高,且没有充分考虑多模态图像的固有特性进而难以实现跨模态特征的丰富交互两个问题,提出一种基于坐标注意力机制的重参数化红外与可见光图像融合网络.该网络引入重参数化技巧,并结合残差学习进行特征提取,以在保证融合质量的同时提高计算效率.其次,为增强跨模态特征间的交互性、充分利用多模态图像信息,构建基于坐标注意力的融合模块以生成融合特征.最后,考虑到特征提取过程中可能伴随的信息丢失,设计融合特征增强模块,以利用浅、中层特征进行信息补偿.实验表明,本文方法不仅具有更为低廉的计算成本,且在保证良好视觉效果的同时,实现多个客观评价指标的提升.

基于多尺度特征融合和对比池化的点云补全网络

点云补全在点云处理任务中具有重要作用,它可以提高数据质量、辅助生成精确三维模型,为多种应用提供可靠的数据支撑。然而,现有基于深度网络的点云补全算法采用的单层次全局特征提取方法较为简单,没有充分挖掘潜在语义信息,并在编码过程中丢失部分细节信息。为解决这些问题,提出了一种多尺度特征逐级融合的点云补全网络,并结合注意力机制提出了一种全新的池化方法。实验结果表明,在PCN、ShapeNet34和ShapeNet55三个数据集上取得了SOTA水平,证明该网络具有更好的特征表示能力和补全效果。