题目：ITFuse: An interactive transformer for infrared and visible image fusion

会议：Pattern Recognition（PR）

论文：https://www.sciencedirect.com/science/article/pii/S0031320324005739?via%3Dihub

代码：https://github.com/tthinking/ITFuse

年份：2024

1.摘要&&引言

红外与可见光图像融合（IVIF）因其在下游应用中令人满意的结果而受到学术界越来越多的关注。
然而，大多数现有的深度融合模型要么是特征级融合，要么是图像级融合，导致信息丢失。

在本文中，我们提出了一种用于 IVIF 的交互式 Transformer，称为 ITFuse。

与以往算法不同，ITFuse 由特征交互模块（FIMs）和特征重建模块（FRM）组成，交替提取和整合重要特征。具体而言，为了充分利用不同源图像的共同属性，我们设计了残差注意力块（RAB）用于 mutual 特征表示。为了聚合相应输入图像中存在的独特特征，我们利用交互注意力（ITA）来整合互补信息，以实现全面的特征保留和交互。

此外，跨模态注意力（CMA）和 Transformer 块（TRB）用于充分融合所提取的特征并构建长距离关系。此外，我们设计了像素损失和结构损失，以无监督方式训练所提出的深度融合模型，从而进一步提升性能。

本文的主要贡献总结如下。

• 我们提出了一种用于 IVIF 的端到端交互式 Transformer（名为 ITFuse），其中设计了交互注意力（ITA）和残差注意力块（RAB），以选择性地提取个体特征并保留共同信息，从而实现充分的互补特征保留。
• 我们提出了跨模态注意力（CMA）和 Transformer 块（TRB），以充分整合所提取的特征并构建多模态长距离关系，从而获得良好的性能。
• 我们设计了像素损失和结构损失，以无监督方式训练 ITFuse，从而进一步提升性能。

2.方法

2.1 问题表述

考虑到 IVIF（红外-可见光融合）的基本目标，即提取互补信息以生成信息丰富的合成融合图像，我们的模型基于以交互方式保留来自各个模态的同质和异质特征，以实现充分的重要信息挖掘和交互。具体而言：

• 红外图像提供的信息表示为：
  ${\mathbb{F}}_{ir}={\mathbb{F}}_{ir}^u+{\mathbb{F}}_c$
  其中 ${\mathbb{F}}_{ir}^u$ 表示红外图像的独特特征（反映物体的热辐射信息），${\mathbb{F}}_c$ 表示红外与可见光图像共享的共同特征（如形状、边缘）。

• 可见光图像包含的信息表示为：
  ${\mathbb{F}}_{vi}={\mathbb{F}}_{vi}^u+{\mathbb{F}}_c$
  其中 ${\mathbb{F}}_{vi}^u$ 表示可见光图像的独特特征（如场景的纹理细节）。

• 红外与可见光图像融合得到的合成图像（同时具有清晰的物体和明确的场景）表示为：
  ${\mathbb{F}}_f={\mathbb{F}}_{ir}^u+{\mathbb{F}}_{vi}^u+{\mathbb{F}}_c$

因此，从不同模态中充分挖掘重要特征是关键。通过研究不同模态图像的内在特性，我们设计了交互式 Transformer 以解决这一挑战。

2.2 框架概述

所提出的 ITFuse 框架如图 3 所示。输入图像 $I_1$ 和 $I_2$ 被送入 $N$ 个特征交互模块（FIMs）进行互补信息提取与整合，随后通过特征重建模块（FRM）生成融合结果 $I_f$。具体流程如下：

• 特征提取：为捕获不同模态的独特特征，$I_1$ 和 $I_2$ 分别输入 FIM。FIM 可准确保留各模态的独特特征。
• 特征交互：对 $I_1$ 和 $I_2$ 进行通道拼接后输入 FIM，以挖掘输入图像的共同属性。共同特征与独特特征并非单独提取，而是通过交互注意力（ITA）动态交互，从而挖掘更多上下文信息（而非直接构建二维特征图的自注意力）。

2.3 特征交互模块

IVIF 的核心目标是聚合多模态重要特征，因此特征提取对融合结果至关重要。针对多模态特性，我们提出由 $I_1$ 分支、$I_c$ 分支（共同特征提取）和 $I_2$ 分支组成的特征交互模块，以交互方式挖掘共同特征与独特特征（而非单独或统一提取）。

2.3.1 共同特征提取分支（$I_c$ 分支）

为充分挖掘输入图像的同质属性，$I_1$ 和 $I_2$ 经通道拼接后输入 $I_c$ 分支（由卷积块 CB 和残差注意力块 RAB 组成）：

• 卷积块（CB）：用于浅层特征提取，包含两个连续卷积层，公式为：
  ${\mathbb{F}}_{cb}^o=\mathcal{R}\left(\mathcal{B}\left(C_3^{C\to C}\left(\mathcal{R}\left(\mathcal{B}\left(C_3^{2\to C}\left({\mathbb{F}}_{cb}^i\right)\right)\right)\right)\right)\right)$
  其中 ${\mathbb{F}}_{cb}^i$ 和 ${\mathbb{F}}_{cb}^o$ 分别为 CB 的输入和输出特征；$C_k^{c_1\to c_2}(\cdot )$ 表示 $k\times k$ 卷积（输入通道 $c_1$，输出通道 $c_2$）；$\mathcal{B}(\cdot )$ 为批归一化，$\mathcal{R}(\cdot )$ 为整流线性单元（ReLU）。

• 残差注意力块（RAB）：用于强调红外与可见光共享的重要特征，包含两个协同注意力（CA）残差排列，以非平凡方式提取特征。受 [33] 启发，RAB 从水平和垂直方向构建注意力图：

  • 对 CA 输入特征 ${\mathbb{F}}_{ca}^i\in {\mathbb{R}}^{H\times W\times C}$ 同时进行 X 方向（池化核 $(H,1)$）和 Y 方向（池化核 $(1,W)$）平均池化；
  • 拼接双向池化特征后输入卷积层，输出为：
    ${\mathbb{F}}_{cl}^o=\mathcal{N}\left(\mathcal{B}\left(C_1^{C\to C/R}\left({\mathbb{F}}_{cl}^i\right)\right)\right)$
    其中 ${\mathbb{F}}_{cl}^i\in {\mathbb{R}}^{(H+W)\times 1\times C}$（输入），${\mathbb{F}}_{cl}^o\in {\mathbb{R}}^{(H+W)\times 1\times C/R}$（输出），$R$ 为缩减比，$\mathcal{N}(\cdot )$ 为非线性层（计算为 ${\mathbb{F}}_{nl}^o={\mathbb{F}}_{nl}^i\times S\left({\mathbb{F}}_{nl}^i\right)$，$S(\cdot )$ 为 sigmoid 激活函数）。

  随后，${\mathbb{F}}_{nl}^o$ 分割为 ${\mathbb{F}}_x\in {\mathbb{R}}^{H\times 1\times C/R}$ 和 ${\mathbb{F}}_y\in {\mathbb{R}}^{1\times W\times C/R}$，分别输入卷积层得到 ${\mathbb{F}}_x^o=S\left(C_1^{C/R\to C}\left({\mathbb{F}}_x\right)\right)$ 和 ${\mathbb{F}}_y^o=S\left(C_1^{C/R\to C}\left({\mathbb{F}}_y\right)\right)$（与 ${\mathbb{F}}_{ca}^i$ 通道数一致）。最终，${\mathbb{F}}_x^o$、${\mathbb{F}}_y^o$ 与 ${\mathbb{F}}_{ca}^i$ 相乘得到 ${\mathbb{F}}_{ca}^o$。

2.3.2 独特特征提取分支（$I_1$、$I_2$ 分支）

为挖掘各模态独特特征，$I_1$ 和 $I_2$ 分别输入独立分支（含残差块 RB 和交互注意力 ITA）。RB 用于挖掘浅层内在属性，如图 5 所示，由三个带跳跃连接的卷积层组成（每个层含 3×3 卷积、BN 和 ReLU）。源图像的典型特征通过 ITA 动态交互（而非单独利用），ITA 受 [34] 启发，设计为动态关注上下文信息（而非直接构建二维特征图的自注意力）。

具体地，对 ${\mathbb{F}}_K$（对应 $I_1$ 分支的 ${\mathbb{F}}_1^i$ 和 $I_2$ 分支的 ${\mathbb{F}}_2^i$）采用 3×3 卷积编码为单模态静态上下文信息；${\mathbb{F}}_V$（表示 $I_c$ 分支的 ${\mathbb{F}}_c^i$）通过 1×1 卷积编码为共同特征。随后，${\mathbb{F}}_K$ 与 ${\mathbb{F}}_{Co}$（$I_1$ 分支的 ${\mathbb{F}}_2^i$ 和 $I_2$ 分支的 ${\mathbb{F}}_1^i$）元素级求和，经两个 1×1 卷积构建动态注意力矩阵 ${\mathbb{F}}_D$。${\mathbb{F}}_V$ 与 ${\mathbb{F}}_D$ 相乘实现多模态综合表示，最终 ITA 输出 ${\mathbb{F}}_{ita}$ 通过 ${\mathbb{F}}_K$ 与相乘特征的加和整合静态与动态信息：
${\mathbb{F}}_{ita}^o=\left({\mathbb{F}}_D\times {\mathbb{F}}_V\right)+{\mathbb{F}}_K$

通过上述模块，可动态交互挖掘多模态的同质与异质属性。

2.4 特征重建模块

为将潜在空间的特征重建为融合结果，设计特征重建模块（FRM），包含跨模态注意力（CMA）、残差注意力块（RAB）、Transformer 块（TRB）和卷积块（CB）。

• CMA：整合 $I_1$、$I_c$、$I_2$ 分支的挖掘特征（${\mathbb{F}}_1^n$、${\mathbb{F}}_c^n$、${\mathbb{F}}_2^n$）。${\mathbb{F}}_1^n$ 和 ${\mathbb{F}}_2^n$ 经 3×3 卷积编码为独特静态特征，相加后经两个卷积层生成独特动态属性；${\mathbb{F}}_c^n$ 经 1×1 卷积保留共同特征。最终，独特动态特征与共同特征相乘得到整合特征 ${\mathbb{F}}_{cma}^o$（保留重要特征，过滤冗余）。

• RAB：对 CMA 整合的特征从水平和垂直方向重建表示。
  

• TRB：由 $L$ 个基本单元（BUs）组成，每个 BU 包含两个加法操作：

  • 第一个操作：${\mathbb{F}}_A=\mathcal{M}\left(\mathcal{Y}\left({\mathbb{F}}_{bu}^i\right)\right)+{\mathbb{F}}_{bu}^i$（$\mathcal{M}(\cdot )$ 为多头自注意力，$\mathcal{Y}(\cdot )$ 为层归一化）；
  • 第二个操作：${\mathbb{F}}_{bu}^o=\mathcal{P}\left(\mathcal{Y}\left({\mathbb{F}}_A\right)\right)+{\mathbb{F}}_A$（$\mathcal{P}(\cdot )$ 为多层感知机）。
    TRB 通过上述操作构建长距离依赖关系。

• CB：对 TRB 输出特征经 3×3 卷积和 1×1 卷积生成最终融合图像 $I_f$：
  $I_f=S\left(C_1^{C\to 1}\left(\mathcal{R}\left(\mathcal{B}\left(C_3^{C\to C}\left({\mathbb{F}}_{trb}\right)\right)\right)\right)\right)$

2.5 损失函数

由于 IVIF 无 ground truth，设计像素损失 $L_p$ 和结构损失 $L_s$ 以无监督方式训练模型，总损失为：
$L_{ITFuse}=L_p+L_s$

• 像素损失 $L_p$：确保融合结果与源图像像素属性相似，计算为：
  $L_p=L_{cp}^1+L_{cp}^2$
  其中 $L_{cp}^z$ 为 Charbonnier 惩罚函数：
  $L_{cp}^z=\sqrt{{\left(I_f-I_z\right)}^2+{\epsilon }^2}$（$\epsilon$ 为惩罚系数）。

• 结构损失 $L_s$：引导融合图像与输入图像结构分布相似，计算为：
  $L_s=L_s^1+L_s^2$
  其中 $L_s^z$ 为结构相似性度量：
  $L_s^z=1-\frac{\left(2{\mu }_z{\mu }_f+C_1\right)\left(2{\sigma }_{zf}+C_2\right)}{\left({\mu }_z^2+{\mu }_f^2+C_1\right)\left({\sigma }_z^2+{\sigma }_f^2+C_2\right)}$
  （${\mu }_z$、${\mu }_f$ 为平均强度；${\sigma }_{zf}$ 为协方差；${\sigma }_z^2$、${\sigma }_f^2$ 为方差；$C_1$、$C_2$ 为常数）。

总损失可重表示为：
$L_{ITFuse}=\alpha \cdot L_{cp}^1+\beta \cdot L_{cp}^2+\gamma \cdot L_s^1+\lambda \cdot L_s^2$
（$\alpha$、$\beta$、$\gamma$、$\lambda$ 为权重参数，控制各项权衡）。

3. 实验

3.1 数据集和实现细节

在本文中，训练、测试和验证数据集基于 TNO [1] 和 RoadScene [11] 数据库构建。具体而言，下载了 348 对源图像，并随机分为包含 288 对图像的训练集、包含 40 对图像的测试集和包含 20 对图像的验证集。为获得足够的训练样本，将训练集中的图像裁剪为 120×120 像素（裁剪步长为 20），最终获得 58708 对图像块，并归一化到 [0,1]。所有实验均在配备 NVIDIA GeForce RTX 3090 GPU 的设备上使用 PyTorch 框架实现，采用 Adam 优化器 [37] 更新参数（学习率 0.0003，批处理大小 64，总 epoch 数 20）。超参数设置如下：$N=3$（特征交互模块数量）、$C=16$（卷积块通道数）、$R=4$（残差注意力块缩减比）、$L=3$（Transformer 块数量），$\epsilon =0.001$（Charbonnier 惩罚系数）。对于 3×3 卷积，步长和填充均为 1，采用 “replicate” 边界模式。权重参数 $\alpha =1$、$\beta =1$、$\gamma =4$、$\lambda =4$（控制像素损失、结构损失的权衡）。

---

3.2 对比方法和评估指标

将提出的 ITFuse 与以下方法对比：

• 传统方法：GTF [5]（基于多尺度变换）；
• 深度学习方法：FusionGAN [6]（生成对抗网络）、U2Fusion [11]（多模态融合网络）、GANMcC [42]（基于生成对抗网络的融合）、RFN-Nest [17]（残差特征网络）、AUIF [43]（自适应交互融合）、TarDAL [20]（基于Transformer的跨模态对齐）、UNFusion [18]（无监督融合）；
• Transformer方法：SwinFuse [7]（基于Swin Transformer）、CMTFusion [30]（基于交叉注意力机制）。

所有对比算法的代码均为公开可用或由作者提供，参数设置遵循原始文献以保公平性。

定量评估采用五种指标：

• Tsallis 熵 $Q_{TE}$ [38]：衡量源图像与融合结果的依赖程度，聚焦边缘信息保留，值越高表示融合结果边缘保留越好；
• Chen-Varshney 指标 $Q_{CV}$ [39]：符合人类视觉系统，通过纹理和细节评估视觉自然度，值越低表示融合结果越自然；
• 峰值信噪比 PSNR [40]：衡量像素级失真，值越高表示图像质量越好；
• 多尺度结构相似性指数 MS-SSIM [41]：从亮度、对比度、结构三方面评估相似性（扩展自 SSIM），值越高表示结构保留越好；
• 均方误差 MSE [36]：反映融合结果与源图像的细节差异，值越低表示细节保留越完整。

指标特性总结：$Q_{TE}$、PSNR、MS-SSIM 越高越好；$Q_{CV}$、MSE 越低越好。

3.3 结果与讨论

3.3.1 在 TNO 数据集上的结果

表 1 显示了 ITFuse 与其他十种算法的定量对比。ITFuse 在 $Q_{TE}$、PSNR、MS-SSIM 和 MSE 上均取得最佳性能（仅 $Q_{CV}$ 第二）。图 9 和图 10 展示了 TNO 数据库的融合结果（源图像对及 11 种方法的融合图像）：

• ITFuse 能有效保留源图像的互补信息（红外的热辐射与可见光的纹理细节），生成信息丰富的融合结果；
• GTF 融合结果模糊，丢失部分结构细节（图 9 第二个放大框）；
• FusionGAN、GANMcC、RFN-Nest 场景细节提取较好但仍有模糊；
• AUIF、SwinFuse 存在过度强调柱子、背景过暗等不自然问题（图 9 放大框）；
• U2Fusion 颜色失真（图 10 右侧特写）；
• TarDAL、UNFusion、CMTFusion 生成过亮或不真实图像（图 10 右侧特写）。

主观与客观结果均表明，ITFuse 在视觉保真度和定量评估上优于现有方法。

3.3.2 在 RoadScene 数据集上的结果

表 2 展示了 ITFuse 与其他方法的客观评估结果。ITFuse 在 $Q_{TE}$、PSNR、MSE 上优势显著，表明其能有效保留输入图像的重要特征（高散度、低失真）。图 11 和图 12 展示了 RoadScene 数据库的融合结果：

• 融合目标需同时揭示红外的热信息与可见光的场景细节，避免不真实特征；
• GTF、TarDAL 未能充分提取红外特征，目标不清晰（图 11 第一个特写）；
• FusionGAN 图像过暗、对比度低（图 12 放大框）；
• GANMcC、RFN-Nest、UNFusion、CMTFusion 可见光特征保留较好但对比度不足（图 12 第一个特写）；
• U2Fusion、AUIF、SwinFuse 生成旗杆、道路标记过突出等不真实结果（图 11 放大框）。

ITFuse 在挖掘红外热辐射与可见光纹理细节、减少冗余属性上表现最佳。

3.4 消融研究

3.4.1 关于网络架构的消融研究

为验证交互式 Transformer 网络的有效性，在验证集上对 ITFuse 进行五种架构修改的消融实验：

1. Uniformly Input：移除 $I_1$、$I_2$ 分支，FIM 仅保留 $I_c$ 分支；
2. Separately Input：删除 $I_c$ 分支，$I_1$、$I_2$ 分别输入 FIM（不使用 ITA，因 ITA 需三输入）；
3. w/o RAB：用 CB 替换残差注意力块（RAB）；
4. w/o CMA：用 CB 替换跨模态注意力（CMA）（${\mathbb{F}}_1^n$、${\mathbb{F}}_c^n$、${\mathbb{F}}_2^n$ 相加后输入 CB）；
5. w/o TRB：用 CB 替换 Transformer 块（TRB）。

表 3 列出不同架构的定量结果：完整模型在所有指标上最优。图 13 展示主观融合性能：

• 退化模型（如 Uniformly Input、Separately Input、w/o TRB）丢失可见光纹理细节，融合结果模糊；
• w/o RAB、w/o CMA 存在严重伪影，生成不理想图像。

3.4.2 关于损失函数的消融研究

由于 IVIF 无 ground truth，损失函数对融合结果的生成至关重要。为验证所设计的像素损失 $L_p$ 和结构损失 $L_s$ 的重要性，在验证集上开展了消融实验：

• 移除像素损失：从总损失 $L_{ITFuse}$ 中删除 $L_p$，新损失函数定义为 $L_1=L_s$（式19）；
• 移除结构损失：从总损失中删除 $L_s$，重新定义为 $L_2=L_p$（式20）。
  

表 4 列出了 ITFuse 在不同损失函数下的定量比较结果。可见，完整损失函数 $L_{ITFuse}$ 在 $Q_{TE}$、PSNR、MS-SSIM 和 MSE 所有指标上均取得最佳性能，验证了像素损失与结构损失协同优化对融合质量的关键作用。

3.5 泛化实验

为评估 ITFuse 的跨数据集泛化能力，将训练好的模型直接应用于未微调的其他红外-可见光融合数据集（KAIST [44] 和 M3FD [20]），验证其普适性。

3.5.1 在 KAIST 数据集上的泛化实验

KAIST 数据集包含红外与可见光图像对，用于验证模型对不同场景的适应性。表 5 展示了 11 种对比方法在 KAIST 数据集 200 个测试样本上的五个指标平均性能（最佳/次佳方法分别用粗体/下划线标记）。

图 15 和图 16 展示了两组源图像对的融合结果（局部放大特写用于细节对比）：

• ITFuse 能有效保留源图像的互补信息（红外的热辐射与可见光的纹理细节），融合结果信息丰富；
• 其他方法（如 FusionGAN、U2Fusion 等）存在低对比度、整体变暗问题，导致场景细节丢失。

3.5.2 在 M3FD 数据集上的泛化实验

M3FD 数据集包含灰度红外图像与 RGB 可见光图像，需解决通道不匹配问题。实验中采用 RGB-YUV-RGB 颜色变换 [4] 处理输入，表 6 列出了 11 种方法的平均性能（最佳/次佳方法标记同上）。

图 17 和图 18 展示了两组源图像对的融合结果：

• 所有方法均能生成合理融合结果，但 ITFuse 在细节保留与对比度上更优；
• FusionGAN 融合模糊，GTF、U2Fusion 等存在低对比度问题，UNFusion 热信息保留不足，而 ITFuse 综合表现最佳。

3.6 效率比较

为全面对比方法性能，计算各方法在主流数据集上的平均运行时间（表7）。ITFuse 在 KAIST 数据集融合两幅图像仅需约 0.1 秒，M3FD 数据集约 0.2 秒，显著优于多数 SOTA 方法（如 GTF、U2Fusion 等），表现出实时融合能力。

4. 结论

本文提出了一种用于红外-可见光融合（IVIF）的交互式 Transformer 模型 ITFuse。与现有图像级或特征级融合模型不同，ITFuse 同时考虑多模态的内在与共同特征，通过以下创新实现高性能：

1. 特征交互模块：设计特征交互模块（FIM），通过同质/异质属性统一提取与交互注意力（ITA）聚合，动态挖掘上下文信息；
2. 特征重建模块：采用跨模态注意力（CMA）整合多分支特征，残差注意力块（RAB）保留重要特征，Transformer 块（TRB）构建长距离依赖；
3. 无监督训练策略：结合像素损失 $L_p$（保留像素属性）与结构损失 $L_s$（约束结构分布），无需 ground truth 即可有效训练。

主流数据库（TNO、RoadScene）实验表明，ITFuse 在定量指标（$Q_{TE}$、PSNR、MS-SSIM、MSE）与定性评价（视觉保真度、细节保留）上均优于 GTF、FusionGAN 等 10 余种 SOTA 方法。泛化实验（KAIST、M3FD 数据集）验证了其跨场景适应性，效率实验（运行时间）证明其实时性优势。

未来工作将聚焦配准-融合集成模型，解决现实场景中图像未完全配准的问题，进一步推动 IVIF 在 3D 工程等领域的应用。