Deep Neural Networks Fused with Textures for Image Classification
BITS Pilani（毕陀萨皮拉尼学院）；Jadavpur University（贾达普大学）
本文提出一种融合全局LBP纹理与局部图像块深度特征并通过LSTM编码的细粒度图像分类方法，在八个数据集上取得优于现有方法的准确率。
2024-03-31 cs.AI cs.CV
3D Face Tracking and Texture Fusion in the Wild
Reutlingen University（罗伊特林根大学）
我们提出了一个全自动的方法，实时三维人脸重建从单眼在野外的视频。通过使用基于级联回归的人脸跟踪和3D Morphable Face Model形状拟合，我们得到了一个半稠密的3D人脸形状。我们进一步使用来自多个帧的纹理信息来从视频帧构建整体3D人脸表示。我们的系统能够捕捉面部表情，不需要任何针对个人的培训。我们在具有挑战性的300个野生视频（300-VW）数据集上展示了我们方法的鲁棒性。我们的实时拟合框架可以在http://4dface.org上作为开源库获得。
2016-05-22 cs.CV
Improving Semantic Image Segmentation via Label Fusion in Semantically Textured Meshes
Fraunhofer IOSB（弗劳恩霍夫光学、电子与精密工程研究所）
用于语义分割的模型需要大量手工标记的训练数据，这是昂贵且耗时的。为此，我们提出了一个标签融合框架，能够提高视频序列的语义像素标签在无监督的方式。我们利用一个三维网格表示的环境和融合的预测不同的帧到一个一致的表示使用语义网格纹理。使用原始的内在和外在相机参数渲染语义网格产生一组改进的语义分割图像。由于我们优化的CUDA实现，我们能够利用整个$c$维概率分布的注释在$c$类的不确定性感知的方式。我们在Scannet数据集上评估了我们的方法，在该数据集上，我们将最先进的分割网络ESANet产生的注释从$52.05 \%$提高到$58.25 \%$像素精度。我们在线发布我们的框架的源代码，以促进未来在这一领域的研究（\url{https://github.com/fferflo/semantic-meshes}）。据我们所知，这是第一个公开可用的标签融合框架的语义图像分割的基础上网格与语义纹理。
2021-11-22 cs.CV
Signature Verification Approach using Fusion of Hybrid Texture Features
Jadavpur University（贾达布尔大学）；Griffith University（格里菲斯大学）；Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）
本文提出了一种与作者相关的签名验证方法。两种不同类型的纹理特征，即小波和局部量化模式（LQP）的功能，提取两种基于变换和统计的信息签名图像。对于每个作家两个单独的一类支持向量机（SVM）对应的LQP和小波特征的每一个集合进行训练，以获得两个不同的真实性得分为一个给定的签名。最后，使用一种分数级分类器融合方法，将两个单类支持向量机的分数进行融合，得到验证分数。在所提出的方法中，只有真正的签名被用来训练的一类支持向量机。所提出的签名验证方法已经使用四个不同的公开可用的数据集进行了测试，结果表明所提出的方法的通用性。所提出的系统优于文献中的其他现有系统。
2019-05-03 cs.CV
PTGCF: Printing Texture Guided Color Fusion for Impressionism Oil Painting Style Rendering
Xi’an University of Technology（西安理工大学）；University of Strathclyde（思克莱德大学）
本文提出PTGCF笔触渲染方法，通过融合原始油画的色调特征与代表性颜色实现印象派风格化，实验表明其更适用于方向感均匀的点彩派作品及自然场景。
2022-07-27 cs.CV
Multi-modal Gated Mixture of Local-to-Global Experts for Dynamic Image Fusion
Tianjin University（天津大学）
红外与可见光图像融合的目的是综合多源信息，以达到在探测等实际任务中优于单一模态的性能。然而，现有的方法大多直接将纹理细节和不同模态的物体对比度结合起来，忽略了现实中物体的动态变化，从而降低了良好光照条件下的可见纹理和低光照条件下的红外对比度。为了填补这一空白，我们提出了一个动态的图像融合框架与多模态门控混合的本地到全球的专家，称为MoE-Fusion，动态提取有效和全面的信息，从各自的方式。我们的模型由一个混合的本地专家（MoLE）和一个混合的全球专家（MoGE）的多模态门引导。MoLE对多模态局部特征进行专门的学习，促使融合图像以样本自适应的方式保留局部信息，而MoGE则专注于全局信息，该全局信息通过整体纹理细节和对比度补充融合图像。大量的实验表明，我们的MoE-Fusion在通过局部到全局的动态学习范式保持多模态图像纹理和对比度方面优于最先进的方法，并且在检测任务上也取得了优异的性能。我们的代码将提供：https://github.com/SunYM2020/MoE-Fusion。
2023-03-23 cs.CV
IMFNet: Interpretable Multimodal Fusion for Point Cloud Registration
Image X Institute, University of Sydney（悉尼大学 Image X 研究所）；Jiangxi University of Finance and Economics（江西财经大学）；Sany（三一集团）
现有的点描述器只依赖于点的结构信息，而忽略了纹理信息。然而，纹理信息对于我们人类区分场景部分至关重要。此外，目前基于学习的点描述符都是黑箱，不清楚原始点如何对最终描述符做出贡献。在本文中，我们提出了一种新的多模态融合方法来产生一个点云注册描述符，同时考虑结构和纹理信息。具体而言，一种新的注意力融合模块被设计为提取加权纹理信息的描述符提取。此外，我们提出了一个可解释的模块来解释原始点，有助于最终的描述符。我们使用描述符元素作为反向传播到目标层的损失，并将梯度视为该点对最终描述符的重要性。本文进一步解释了注册任务中的深度学习。在3DMatch、3DLoMatch和KITTI上的综合实验表明，该多模态融合描述子达到了最新的精度，提高了描述子的区分度。我们还证明了我们的解释模块在解释注册描述符提取。
2021-11-18 cs.CV
EqGAN: Feature Equalization Fusion for Few-shot Image Generation
针对少样本图像生成缺乏精细结构与纹理的问题，提出EqGAN，通过双分支解耦融合结构与纹理并进行多尺度特征均衡化，显著提升了图像生成质量、多样性及下游分类准确率。
2023-07-27 cs.CV
Attention-Guided Progressive Neural Texture Fusion for High Dynamic Range Image Restoration
Hong Kong Baptist University（香港浸会大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究院）；vivo Mobile Communication Co. Ltd（维沃移动通信有限公司）；City University of Hong Kong（香港城市大学）；Nanyang Technological University（南洋理工大学）
通过多次曝光融合的高动态范围（HDR）成像是大多数现代成像平台的重要任务。尽管最近在硬件和算法创新方面取得了进展，但在由饱和度、运动和在多曝光融合期间引入的各种伪影（诸如重影、噪声和模糊）引起的内容关联模糊性方面仍然存在挑战。在这项工作中，我们提出了一个注意力引导的渐进神经纹理融合（APNT融合）HDR恢复模型，旨在解决这些问题在一个框架内。提出了一种有效的双流结构，分别侧重于饱和区域的纹理特征转移和多曝光色调和纹理特征融合。提出了一种神经特征传递机制，该机制基于掩蔽饱和HDR域中的多尺度VGG特征在不同曝光之间建立空间对应关系，以在模糊图像区域上提供有区别的上下文线索。设计了渐进式纹理融合模块，实现了对编码后的双流特征的多尺度渐进式融合。此外，我们还介绍了几种新的注意机制，即，运动注意模块检测并抑制参考图像之间的内容差异;饱和度注意模块便于区分由饱和度引起的未对准和由运动引起的未对准;以及比例注意模块确保不同编码器/解码器比例之间的纹理混合一致性。我们进行了全面的定性和定量评估和消融研究，验证了这些新模块在相同的框架下一致地工作，并优于最先进的方法。
2021-07-13 cs.CV eess.IV
Deep Fusion Network for Image Completion
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Megvii Technology（旷视科技）
深度图像完成通常无法将恢复的图像和谐地混合到现有内容中，特别是在边界区域。本文从创建平滑过渡的新角度来处理这个问题，并提出了一个简洁的深度融合网络（DFNet）。首先，引入融合块来生成用于组合已知区域和未知区域的灵活的α组成图。融合块不仅提供了恢复和现有内容之间的平滑融合，而且还提供了一个注意力地图，使网络更多地关注未知像素。通过这种方式，它为结构和纹理信息搭建了一座桥梁，使信息可以自然地从已知区域传播到完整区域。此外，融合块被嵌入到网络的几个解码器层中。在各层上引入可调损耗约束，获得了更准确的结构信息。我们在Places2和CelebA数据集上定性和定量地比较了我们的方法与其他最先进的方法。实验结果表明，DFNet在纹理过渡协调性、纹理细节和语义结构一致性等方面具有较好的性能。我们的源代码将在以下网址提供：\url{https://github.com/hughplay/DFNet}
2019-04-17 cs.CV
Fusion of complex networks and randomized neural networks for texture analysis
São Carlos Institute of Physics, University of São Paulo（圣保罗大学圣卡洛斯物理研究所）；Universidade Federal do Ceará（塞阿拉联邦大学）；Institute of Mathematics and Computer Science, University of São Paulo（圣保罗大学数学与计算机科学研究所）
提出了一种基于复杂网络和随机神经网络融合的高分辨率纹理分析方法。在这种方法中，输入图像被建模为一个复杂的网络和它的拓扑属性以及图像像素被用来训练随机神经网络，以创建一个签名，表示纹理的深层特征。所获得的结果超过了文献中许多方法的精度。这种性能表明，我们提出的方法打开了一个有前途的研究来源，其中包括探索纹理分析领域的神经网络和复杂网络的协同作用。
2020-08-17 cs.CV cs.LG physics.data-an
DePF: A Novel Fusion Approach based on Decomposition Pooling for Infrared and Visible Images
Jiangnan University（江南大学）；Suzhou University of Science and Technology（苏州科技大学）
本文提出DePF融合网络，通过分解池化编码器提取多尺度特征并以逆操作替代上采样，有效保留纹理与边缘细节，在多个基准上取得领先融合性能。
2023-07-04 cs.CV
Bayesian Fusion for Infrared and Visible Images
Xi'an Jiaotong University（西安交通大学）
红外与可见光图像融合一直是图像融合领域的研究热点。在这项任务中，融合图像既包含梯度和详细的纹理信息的可见光图像，以及热辐射和突出目标的红外图像，期望得到。提出了一种新的红外与可见光图像贝叶斯融合模型。在我们的模型中，图像融合任务被转换成一个回归问题。为了衡量变量的不确定性，我们制定了一个分层贝叶斯的方式模型。为了使融合图像满足人眼视觉特性，该模型引入了全变差惩罚。随后，该模型是有效地推断的期望最大化（EM）算法。我们测试我们的算法TNO和近红外图像融合数据集与几个国家的最先进的方法。与以往的方法相比，该模型能更好地融合出目标亮度高、纹理细节丰富的图像，提高了目标自动检测与识别系统的可靠性。
2020-05-12 cs.CV
GMF: General Multimodal Fusion Framework for Correspondence Outlier Rejection
Jiangxi University of Finance and Economics（江西财经大学）；Sany（三一集团）；Shanghai AI Laboratory（上海人工智能实验室）
拒绝对应异常值能够提高对应质量，这是实现高点云配准精度的关键步骤。现有的孤立点剔除方法只利用了对应关系的结构特征。然而，纹理信息是至关重要的拒绝在我们的人类视觉系统的对应离群值。在本文中，我们提出了通用多模态融合（GMF）学习拒绝对应离群值利用结构和纹理信息。具体地说，提出了两个基于交叉注意的融合层来融合成对图像的纹理信息和点对应的结构信息。此外，我们提出了一个卷积位置编码层，以增强令牌之间的差异，使编码功能关注邻居信息。我们的位置编码层将使交叉注意操作整合局部和全局信息。在多个数据集（3DMatch，3DLoMatch，KITTI）和最新的最先进的模型（3DRegNet，DGR，PointDSC）上的实验证明，我们的GMF具有广泛的泛化能力，并不断提高点云配准精度。此外，一些烧蚀研究证明了所提出的GMF对不同损失函数、照明条件和噪声的鲁棒性。https://github.com/XiaoshuiHuang/GMF
2022-11-01 cs.CV
IRPol-Fuse: Energy-structure coordination for infrared polarization fusion under low visibility
Foshan University（佛山大学）
该研究针对低能见度下红外偏振图像融合的缺陷，提出IRPol-Fuse框架，构建LI-PI数据集，实验验证其在目标与细节保留及下游任务中的优异性能。
2026-08-11 cs.CV
See More, Match Better: Multi-Source Feature Fusion for Two-View Correspondence Learning
Nanjing University of Science and Technology（南京理工大学）；People’s Daily Online（人民网）；University of Science and Technology of China（中国科学技术大学）
提出TriMatch框架，融合几何、纹理语义和结构语义特征，通过语义引导调制和层次细化，提升重复结构等场景下的对应点鉴别能力。
2026-06-08 cs.CV
S^2F-Net:A Robust Spatial-Spectral Fusion Framework for Cross-Model AIGC Detection
School of Computer Science and Engineering, Guangdong Ocean University（计算机科学与工程学院，广东海洋大学）；School of Artificial Intelligence, Guangzhou University（人工智能学院，广州大学）
S²F-Net通过空间-频谱融合技术，有效检测跨模型AIGC生成内容，实现90.49%的高准确率。
2026-01-18 cs.CV
VisTaNet: Attention Guided Deep Fusion for Surface Roughness Classification
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
人类的纹理感知是多感官输入的加权平均：视觉和触觉。当视觉感知机制提取全局特征时，触觉机制通过提取局部特征对其进行补充。在文献中缺乏耦合的视觉触觉数据集是一个挑战，研究多模态融合策略类似于人类的纹理感知。本文提出了一个增强现有触觉数据集的视觉数据集。我们提出了一种新的深度融合架构，融合视觉和触觉数据使用四种类型的融合策略：求和，级联，最大池，和注意。我们的模型在表面粗糙度分类准确性方面显示出显着的性能改进（97.22%），仅在触觉（SVM - 92.60%）和视觉（FENet-50 - 85.01%）架构上。在几种融合技术中，注意力引导的结构导致更好的分类精度。我们的研究表明，类似于人类的纹理感知，该模型选择了两种方式（视觉和触觉）的加权组合，从而导致更高的表面粗糙度分类精度;它选择最大化触觉方式的权重，视觉方式失败，反之亦然。
2022-09-18 cs.CV cs.LG
Multi-feature Co-learning for Image Inpainting
Guangzhou University（广州大学）
图像修补通过同时利用图像的结构和纹理特征，取得了很大的进展。然而，由于缺乏有效的多特征融合技术，现有的图像修补方法仍然表现出有限的改进。本文设计了一个用于图像修补的深度多特征协同学习网络，包括软门控双特征融合（SDFF）和双边传播特征聚合（BPFA）模块。具体来说，我们首先使用两个分支分别学习结构特征和纹理特征。SDFF模块将结构特征与纹理特征相结合，同时利用纹理特征辅助结构特征的生成。这样的协同学习策略使得结构和纹理特征更加一致。接下来，提出的BPFA模块通过共同学习上下文注意力、通道信息和特征空间来增强从局部特征到整体一致性的连接，这可以进一步细化生成的结构和纹理。最后，在基准数据集上进行了大量的实验，包括CelebA，Places2和Paris StreetView。实验结果表明，该方法优于国家的最先进的。源代码可在https://github.com/GZHU-DVL/MFCL-Inpainting。
2022-05-21 cs.CV
DogWeave: High-Fidelity 3D Canine Reconstruction from a Single Image via Normal Fusion and Conditional Inpainting
University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
DogWeave通过法线融合与条件修复技术，从单张图像实现高保真3D犬只重建，优于现有方法。
2026-03-08 cs.CV
Contrast-Free Myocardial Scar Segmentation in Cine MRI using Motion and Texture Fusion
University of Oxford（牛津大学）；University of Southampton（南安普顿大学）；National University of Singapore（新加坡国立大学）；Fudan University（复旦大学）；Zhongshan Hospital, Fudan University（复旦大学附属中山医院）
本文提出融合电影MRI心脏运动与图像纹理的深度学习框架，通过全周期图像配准分割左心室心肌瘢痕，在无造影剂条件下达到与LGE MRI相当的准确性。
2025-01-09 cs.CV eess.IV
A Novel Bio-Inspired Texture Descriptor based on Biodiversity and Taxonomic Measures
École de Technologie Supérieure, Université du Québec（魁北克大学高等技术学院）
纹理可以被定义为图像强度的变化，形成重复的图案，由物体的粗糙度或表面反射的差异的物理特性引起。考虑到纹理以非确定性的方式形成复杂的模式系统，生物多样性概念可以帮助图像中的纹理表征。本文提出了一种新的方法，能够量化这样一个复杂的系统的多样性模式，通过物种多样性和丰富性和分类的独特性。该方法将每个图像通道视为一个物种生态系统，并计算物种多样性和丰富度的措施，以及分类措施来描述纹理。该方法利用生态模式的不变性特征，建立了一个置换、旋转和平移不变的描述子。在三组自然纹理图像和两组病理组织图像上的实验结果表明，该纹理描述子优于几种纹理描述子和深度方法.
2021-10-04 cs.CV
MMF-Track: Multi-modal Multi-level Fusion for 3D Single Object Tracking
Northeastern University（东北大学）
针对点云单模态3D跟踪难以区分相似结构目标的问题，提出MMF-Track，通过空间对齐、多层级特征交互和相似度融合利用RGB纹理与点云几何信息，在KITTI和NuScenes上取得优异结果。
2023-08-15 cs.CV
Large-scale and Efficient Texture Mapping Algorithm via Loopy Belief Propagation
The Ohio State University（俄亥俄州立大学）；Nanjing University Of Aeronautics And Astronautics（南京航空航天大学）
针对大规模多视角多变光照场景下纹理映射效率与全局一致性难以兼顾的问题，提出基于循环置信传播的非参数化多视角纹理映射框架，实现面片级多视角纹理融合，在三类数据集上效果更优且速度更快，尤其适用于大规模场景。
2023-05-08 cs.CV
Multi-level Texture Encoding and Representation (MuLTER) based on Deep Neural Networks
Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们提出了一个多层次的纹理编码和表示网络（MuLTER）的纹理相关的应用。基于多级池化架构，MuLTER网络同时利用低级和高级特征来维护纹理细节和空间信息。这样的池化架构涉及很少的额外参数，并保持特征尺寸固定，尽管图像大小的变化。与最先进的纹理描述符相比，MuLTER网络在MINC-2500和GTOS-mobile等典型纹理数据集上具有更高的识别精度，具有区分性和紧凑的表示。此外，我们分析了不同层次的特征组合的影响，这支持了我们的主张，多层次特征的融合有效地提高了识别性能。我们的源代码将发布在GitHub（https：//github.com/olivesgatech）上。
2019-05-23 cs.CV
Modality-Specific Hierarchical Enhancement for RGB-D Camouflaged Object Detection
College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院）
本文提出MHENet框架，通过引入纹理和几何层次增强模块及自适应动态融合模块，提升RGB-D伪装物体检测的性能，实验表明其优于16种现有方法。
2026-04-03 cs.CV
GAN-HA: A generative adversarial network with a novel heterogeneous dual-discriminator network and a new attention-based fusion strategy for infrared and visible image fusion
College of New Materials and New Energies, Shenzhen Technology University（深圳技术大学新材料与新能源学院）
本文提出GAN-HA，通过异构双判别器分别学习红外强度与可见光梯度信息，并引入注意力融合策略，有效提升红外与可见光图像融合质量。
2024-09-02 cs.CV eess.IV
RGB-D Image Inpainting Using Generative Adversarial Network with a Late Fusion Approach
Keio University（庆应义塾大学）
Diminished Reality是一种技术，旨在从视频图像中删除对象，并使用合理的像素填充缺失区域。大多数常规方法利用从不同视点捕获相同场景的不同相机来允许移除和恢复区域。本文提出了一种基于生成对抗网络的RGB-D图像修补方法，该方法不需要多个摄像机。近来，RGB图像修补方法通过采用生成对抗网络已经取得了突出的结果。然而，RGB修复方法的目标是只恢复丢失区域的纹理，因此，不恢复几何信息（即场景的3D结构）。我们将传统的图像修补方法扩展到RGB-D图像修补，从一对RGB和深度图像中联合恢复丢失区域的纹理和几何形状。受其他使用RGB和深度图像的任务的启发（例如，语义分割和目标检测）的基础上，提出了一种后期融合方法，充分利用了RGB和深度信息的优势。实验结果验证了该方法的有效性。
2021-10-14 cs.CV
Dif-Fusion: Towards High Color Fidelity in Infrared and Visible Image Fusion with Diffusion Models
Central South University（中南大学）；Changsha University of Science and Technology（长沙理工大学）；Hunan University（湖南大学）；Peng Cheng Laboratory（鹏城实验室）；Beihang University（北京航空航天大学）；Wuhan University（武汉大学）
本文提出 Dif-Fusion，通过潜在空间扩散过程建模多通道红外与可见光数据分布，并结合多通道融合及梯度、强度损失，实现更高色彩保真度的三通道融合图像。
2023-01-19 cs.CV
Multi-Feature Fusion Approach for Generative AI Images Detection
本文提出多特征融合框架，结合MSCN、CLIP和MLBP特征，提升生成式AI图像检测的鲁棒性，实验显示融合效果优于单一特征空间。
2026-03-31 cs.CV
2-d signature of images and texture classification
Purdue University（普渡大学）
我们介绍了一个适当的概念，二维签名的图像。这个对象的灵感来自于所谓的粗糙路径理论，它捕获了二维对象（如图像）的许多基本特征。因此，它作为一个低维特征的模式分类。在这里，我们实现了一个简单的纹理分类过程。在这种情况下，我们表明，一个低维的特征集的基础上签名产生了良好的准确性。
2022-05-10 cs.CV cs.LG
Dual-Path Learning based on Frequency Structural Decoupling and Regional-Aware Fusion for Low-Light Image Super-Resolution
Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）；Zhejiang University（浙江大学）；The University of Electro-Communications（电气通信大学）
本文提出DTP框架，通过频率感知解耦和区域感知融合提升低光照图像超分辨率，改进PSNR、SSIM和LPIPS指标。
2026-03-28 cs.CV
Femoral ROIs and Entropy for Texture-based Detection of Osteoarthritis from High-Resolution Knee Radiographs
VRVis Center for Virtual Reality and Visualization（VRVis虚拟现实与可视化中心）；Braincon Handels-GmbH（Braincon贸易有限公司）；NOVA Medical School, Universidade Nova de Lisboa（新里斯本大学NOVA医学院）；Instituto de Medicina Molecular（分子医学研究所）；Centro Hospitalar Lisboa Ocidental（里斯本西部医疗中心）
膝骨关节炎进展与胫骨结构变化之间的关系早已被认识到，并且已经提出了各种纹理描述符来从X线照片中检测早期骨关节炎（OA）。这项工作的目的是调查（1）股骨纹理作为OA指标和（2）熵的潜力，作为一个计算效率的替代建立纹理描述符。我们设计了一个强大的半自动放置的布局感兴趣的区域（ROI），计算赫斯特系数和熵在每个ROI，并采用统计和机器学习方法来评估功能组合。基于153个高分辨率X线片，我们的研究结果确定股骨内侧作为一个有效的单变量描述符，与胫骨内侧的显着性。熵被证明有助于分类性能。结合股骨、熵和标准纹理描述符的线性五特征分类器的AUC为0.85，比最先进的分类器高出约0.1。
2017-03-27 cs.CV
Transmittance-Guided Structure-Texture Decomposition for Nighttime Image Dehazing
Maharaja Agrasen University（马哈拉贾·阿格拉森大学）
本文提出双阶段夜间图像去雾框架，结合透射率校正与结构-纹理分层优化，通过改进的夜间成像模型和STAR-YUV分解模型提升去雾效果。
2026-03-31 cs.CV
Texture and Structure Two-view Classification of Images
Technion Institute of Technology（以色列理工学院）
纹理和结构特征可以被重新分级为“双视图”特征集。受多视图学习最新进展的启发，我们提出了一种新的两视图分类方法，该方法对每个特征集进行建模，并有效地优化了合并这些视图的过程。这种方法在现实世界的数据分类的实施例，特别强调医学图像。我们首先将完全纹理图像分解为两层表示，分别对应于自然随机纹理（NST）和结构层。结构，边缘和曲线型，信息主要是由本地的空间相位，而，纯NST具有随机相位，其特征在于高斯性和自相似性。因此，NST是由2D自相似过程，分数布朗运动（fBM）。Hurst参数是fBm的特征，它指定纹理的粗糙度或不规则度。这导致我们沿着从结构层提取的其他特征对其进行估计和实现，以构建用于我们的分类方案的“双视图”特征集。一个浅层神经网络（NN）被用来执行合并这些特征集的过程，在一个简单而有效的方式。
2019-08-25 cs.CV
Real-time High Resolution Fusion of Depth Maps on GPU
Artec Group Inc.（阿尔泰克集团公司）；Keldysh Institute of Applied Mathematics RAS（俄罗斯科学院凯尔迪什应用数学研究所）
提出了一种在商品硬件上使用单个移动深度相机进行实时高质量表面重建的系统。高精度和实时的【形】帧速率是通过利用图形硬件计算能力，通过OpenCL和使用稀疏数据结构的体积表面表示。深度传感器的姿态估计相结合的串行纹理配准算法与迭代最近点算法（ICP）对齐获得的深度图估计的场景模型。对齐的曲面随后融合到场景中。采用卡尔曼滤波器提高融合质量。截断符号距离函数（TSDF）存储为基于块的稀疏缓冲区用于表示表面。稀疏数据结构的使用大大提高了扫描表面的精度和最大扫描面积。传统的GPU实现的体绘制和融合算法进行了修改，利用稀疏性，以达到预期的性能。结合纹理配准的传感器姿态估计和卡尔曼滤波器的测量集成提高了扫描过程的精度和鲁棒性。
2013-11-28 cs.CV cs.GR
Segmenting Unseen Industrial Components in a Heavy Clutter Using RGB-D Fusion and Synthetic Data
Gwangju Institute of Science and Technology (GIST)（光州科学技术院）
分割看不见的工业部件对于自主工业系统至关重要。然而，工业组件是无纹理的，反射的，并且通常存在于具有严重遮挡的杂乱和非结构化环境中，这使得处理看不见的物体更具挑战性。为了解决这个问题，我们提出了一个合成数据生成流水线，通过域随机化纹理，专注于形状信息。此外，我们还提出了一种具有置信度图估计器的RGB-D融合掩码R-CNN，它利用了多个特征级别的可靠深度信息。我们将训练好的模型转移到真实场景中，并通过与基线和消融研究进行比较来评估其性能。我们证明，我们的方法，只使用合成数据，可以有效地解决看不见的工业部件分割。
2020-06-02 cs.CV eess.IV
Face Spoofing Detection by Fusing Binocular Depth and Spatial Pyramid Coding Micro-Texture Features
Shanghai Jiao Tong University（上海交通大学）
鲁棒特征对人脸欺骗检测至关重要，因为各种情况使得特征空间的划分非常复杂。因此，在本文中，提出了两个新的和强大的反欺骗功能。第一个是基于双目相机的深度特征，称为模板面部匹配双目深度（TFBD）特征。第二个是一个高层次的微纹理的基础上的功能称为空间金字塔编码微纹理（SPMT）功能。除了这两个新功能之外，还介绍了新型模板人脸配准算法和空间金字塔编码算法。基于这两个鲁棒特征实现了多模态人脸欺骗检测。在一个广泛使用的数据集和一个我们自己构建的综合数据集上进行了实验。实验结果表明，融合了本文提出的特征的人脸欺骗检测方法具有较强的鲁棒性和时间效率，同时优于其他最先进的传统方法。
2018-03-13 cs.CV
SpectralMamba-UNet: Frequency-Disentangled State Space Modeling for Texture-Structure Consistent Medical Image Segmentation
College of Computer Science（计算机科学学院）；Sichuan Normal University（四川师范大学）；Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；State Key Laboratory of Public Big Data（公共大数据国家重点实验室）；Guizhou University（贵州大学）
SpectralMamba-UNet通过频域解耦结构与纹理信息，提升医学图像分割的精度和泛化能力。
2026-02-26 cs.CV
Kinship Verification from Videos using Spatio-Temporal Texture Features and Deep Learning
Centre de Développement des Technologies Avancées（先进技术发展中心）；University of Oulu（奥卢大学）；Ecole Nationale Supèrieure d’Informatique（国立高等信息学学院）；Northwestern Polytechnical University（西北工业大学）
基于人脸图像的亲属关系自动确认是计算机视觉领域中一个较新且具有挑战性的研究课题。它包括通过检查两个人的面部属性来自动预测他们是否有生物亲属关系。虽然大多数现有的作品提取浅手工制作的功能，从静止的人脸图像，我们从时空的角度来处理这个问题，并探讨使用浅纹理特征和深特征来表征人脸。在基准UvA-NEMO Smile数据库上获得了令人满意的结果，特别是深度特征。我们广泛的实验也显示了使用视频的优势，静态图像，因此指出了重要的作用，面部动态的亲属关系验证。此外，融合的两种类型的功能（即浅时空纹理特征和深功能）显示出显着的性能改善相比，国家的最先进的方法。
2017-08-14 cs.CV
Unaligned RGB Guided Hyperspectral Image Super-Resolution with Spatial-Spectral Concordance
Beijing Institute of Technology（北京理工大学）；Hangzhou Dianzi University（杭州电子科技大学）；Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出SSC-HSR框架，通过改进的对齐和融合模块，解决超分辨率中空间和光谱一致性问题，提升超光谱图像的重建质量。
2025-05-04 cs.CV
ImmFusion: Robust mmWave-RGB Fusion for 3D Human Body Reconstruction in All Weather Conditions
Zhejiang University（浙江大学）；Tsinghua University（清华大学）；NetEase（网易）；Zhejiang Lab（之江实验室）
本文提出首个毫米波-RGB融合方案ImmFusion，通过图像与点云主干网络提取token特征，并利用融合Transformer动态选择信息token，实现全天气条件下鲁棒的三维人体重建，在mmBody数据集上显著超越现有激光雷达-相机融合方法。
2023-09-20 cs.CV
Robust video object tracking using particle filter with likelihood based feature fusion and adaptive template updating
Nanjing University（南京大学）
针对复杂视频场景中的目标跟踪问题，提出了一种鲁棒的算法解决方案。在这种解决方案中，引导粒子滤波器（PF）初始化的对象检测器，模型的视频信号的时间演变的背景下，自适应高斯混合。对象的运动由马尔可夫模型表示，该模型定义了状态转移先验。采用颜色和纹理特征表示目标，提出了一种基于边缘似然的特征融合方法。相应的目标模板模型更新程序的开发，以考虑在跟踪过程中的对象的可能的规模变化。实验结果表明，我们的算法击败了现有的几个替代方案，在解决具有挑战性的情况下，视频跟踪任务。
2015-09-28 cs.CV
Carton dataset synthesis method for domain shift based on foreground texture decoupling and replacement
Huazhong University of Science and Technology（华中科技大学）
在工业应用中快速部署目标检测模型的一个主要障碍是缺乏大型注释数据集。我们目前已经提出了Sacked Carton Dataset（SCD），其中包含来自三个场景的纸箱图像，例如综合医药物流公司（CPLC），电子商务物流公司（ECLC），水果市场（FM）。然而，由于域转移，SCD中的三个场景之一训练的模型在应用于其余场景时具有较差的泛化能力。为了解决这个问题，提出了一种新的图像合成方法，用目标数据集的纹理代替源数据集的前景纹理。我们的方法可以保持前景对象和背景的上下文关系不变，大大增加了目标数据集。我们首先提出一个表面分割算法，以实现纹理解耦的每个实例。其次，提出了一种保持实例遮挡和截断关系不变的轮廓重建算法。最后，利用高斯融合算法将源数据集的前景纹理替换为目标数据集的纹理。对于目标域，新的图像合成方法可以在RetinaNet上将AP提高至少4.3%~6.5%，在Faster R-CNN上提高3.4%~6.8%。代码可在https://github.com/hustgetlijun/RCAN上获得。
2021-04-26 cs.CV
Image forgery detection based on the fusion of machine learning and block-matching methods
University Federico II of Naples（那不勒斯费德里科二世大学）
密集的局部描述符和机器学习已经成功地应用于几个应用中，如纹理分类、隐写分析和伪造检测。我们开发了一种新的图像伪造检测器的建设上最近提出的一些描述符在隐写分析领域适当合并一些这样的描述符，并优化SVM分类器上可用的训练集。尽管非常好的性能，非常小的fork几乎从未被检测到，因为它们对描述符的贡献非常小。因此，我们还开发了一个简单的，但非常具体的，复制移动检测器的基础上，区域匹配和融合的决定，以减少漏检率。总的结果似乎极为令人鼓舞。
2013-11-27 cs.CV
Frequency-Domain Dual-Branch Fusion for Medical Visual Question Answering
提出频域双分支融合模块，结合BiomedCLIP与BioBART，在PMC-VQA预训练后于VQA-RAD、SLAKE微调，提升医学VQA性能且架构轻量高效。
2026-08-11 cs.AI cs.CV
Bridging the Gap between Multi-focus and Multi-modal: A Focused Integration Framework for Multi-modal Image Fusion
Foshan University（佛山大学）；China University of Mining and Technology（中国矿业大学）
针对多模态图像融合中多聚焦可见光与红外图像融合的难题，提出联合聚焦集成与信息提取的MMIF框架，通过半稀疏滤波分解、多尺度纹理融合及结构能量考量，在视觉与定量评估上超越SOTA方法。
2024-01-31 cs.CV
A Generative Model of Natural Texture Surrogates
Werner Reichardt Center for Integrative Neuroscience and Institute of Theoretical Physics, University of Tübingen（图宾根大学维尔纳·赖夏特综合神经科学中心与理论物理研究所）；Bernstein Center for Computational Neuroscience Tübingen（图宾根伯恩斯坦计算神经科学中心）；Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）
自然图像可以被视为不同纹理的拼凑，其中局部图像统计在一个小邻域内大致稳定，但在其他方面因区域而异。为了对这种变化进行建模，我们首先将Portilla和Simoncelli的参数纹理算法应用于自然图像的大型数据库中的64 X64像素的图像补丁，使得每个图像补丁然后由655个纹理参数来描述，这些纹理参数指定某些统计数据，例如该补丁内的小波系数或系数幅度的方差和协方差。为了对这些纹理参数的统计数据进行建模，我们开发了合适的参数非线性变换，使我们能够用多元高斯分布拟合它们的联合统计数据。我们发现，前200个主成分包含超过99%的方差，足以生成感知上非常接近所有655个组件生成的纹理。我们从几个方面证明了该模型的有用性：（1）我们对纹理补丁的集合进行采样，这些纹理补丁可以直接与来自自然图像数据库的补丁样本进行比较，并且可以在很大程度上再现它们的感知外观。(2)我们进一步开发了一种图像压缩算法，该算法以低至0.14比特/像素的比特率生成令人惊讶的精确图像。最后，（3）我们展示了如何使用我们的方法对自然图像的概率模型生成的样本进行有效和客观的评估。
2015-05-28 cs.CV
Image Reconstruction of Multi Branch Feature Multiplexing Fusion Network with Mixed Multi-layer Attention
College of Information Science and Engineering, Xinjiang University（新疆大学信息科学与工程学院）
利用卷积神经网络强大的非线性表示能力，图像超分辨率重建取得了比传统方法更好的效果。然而，现有的一些算法也存在一些问题，如对阶段性特征利用不足，忽视了早期阶段性特征融合对提高网络性能的重要性，以及网络在重构过程中无法更多地关注高频信息等。针对这些问题，提出了一种混合多层注意力多分支特征复用融合网络（MBMFN），实现了特征的多重利用和不同层次特征的多级融合。为了进一步提高网络的性能，提出了一种轻量级的增强残余信道注意力（LERCA）算法，该算法不仅能有效避免信道信息的丢失，而且能使网络更加关注关键信道信息并从中受益。最后，在重构过程中引入注意力机制，加强边缘纹理等细节的恢复。在多个基准集上的大量实验表明，与其他先进的重建算法相比，该算法产生了极具竞争力的客观指标，恢复了更多的图像细节纹理信息。
2022-05-27 cs.CV eess.IV
3D Gated Recurrent Fusion for Semantic Scene Completion
The University of Adelaide（阿德莱德大学）；Nanjing University of Science and Technology（南京理工大学）；Northwestern Polytechnical University（西北工业大学）；ETH Zurich（苏黎世联邦理工学院）
本文研究语义场景补全任务中的数据融合问题，该任务可以同时处理语义标注和场景补全。RGB图像包含对象的纹理细节，这对于语义场景理解至关重要。同时，深度图像捕获与形状完成高度相关的几何线索。使用RGB和深度图像可以进一步提高SSC的准确性，而不是孤立地采用一种模态。我们提出了一种3D门控递归融合网络（GRFNet），它通过使用门和记忆模块来学习自适应地选择和融合来自深度和RGB的相关信息。在单级融合的基础上，进一步提出了一种多级融合策略，该策略可以对网络中不同阶段之间的相关性进行建模。在两个基准数据集上进行的大量实验证明了GRFNet在SSC数据融合中的优越性能和有效性。代码将提供。
2020-02-17 cs.CV
IE-SRGS: An Internal-External Knowledge Fusion Framework for High-Fidelity 3D Gaussian Splatting Super-Resolution
Xiang Feng 1,2（XX大学）；Tieshi Zhong 1（XX大学）；Shuo Chang 1（XX大学）；Weiliu Wang 1（XX大学）；Chengkai Wang 1（XX大学）；Yifei Chen 3（XX大学）；Yuhe Wang 1（XX大学）；Zhenzhong Kuang 1（XX大学）；Xuefei Yin 4（XX大学）；Yanming Zhu 4（XX大学）
IE-SRGS通过融合外部2DSR先验和内部3DGS特征，提升3D高斯溅射超分辨率的高保真重建性能。
2025-11-27 cs.CV
EReCu: Pseudo-label Evolution Fusion and Refinement with Multi-Cue Learning for Unsupervised Camouflage Detection
EReCu提出了一种统一的无监督伪装检测框架，通过多线索学习提升伪标签可靠性与特征保真度，结合原生感知模块、伪标签演化融合和局部精炼，实现高精度的伪装检测。
2026-09-01 cs.AI cs.CV
When Image Decomposition Meets Deep Learning: A Novel Infrared and Visible Image Fusion Method
Xi’an Jiaotong University（西安交通大学）
红外与可见光图像融合是当前图像处理和图像增强领域的一个研究热点，其目的是得到既能保留可见光图像细节纹理信息又能保留红外图像热辐射信息的融合图像。这个问题的关键步骤是分解功能在不同的规模和合并他们分开。本文提出了一种基于双流自动编码器的融合网络。其核心思想是编码器将图像分解为分别具有低频和高频信息的基本和细节特征图，并且解码器负责原始图像重建。为此，建立了一个精心设计的损失函数，使基本/细节特征图相似/不相似。在测试阶段，通过一个额外的融合层，它包含一个显着加权的空间注意力模块和通道注意力模块，以自适应地保留更多的信息，从源图像和突出的对象分别合并的基本和细节特征图。解码器对融合后的图像进行恢复。定性和定量的结果表明，该方法可以生成包含突出目标和丰富细节纹理信息的融合图像，具有较强的可重复性，同时优于最先进的（SOTA）方法。
2021-04-14 cs.CV eess.IV
Anisotropic Diffusion for Details Enhancement in Multi-Exposure Image Fusion
Baddi University of Emerging Sciences and Technology（巴迪新兴科学与技术大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Jaypee University of Information Technology（贾佩信息技术大学）
提出了一种基于纹理特征的多曝光图像融合方法，该方法利用了基于偏微分方程（PDE）的非线性扩散滤波器的边缘保持和区域内平滑特性。对于采集到的多曝光图像序列，我们首先将图像分解为基本层和细节层，分别提取清晰细节和精细细节。利用图像强度的梯度的大小来鼓励均匀区域处的平滑度优于非均匀区域。然后，我们考虑了基层的纹理特征以生成掩模（即，决策掩模），以多分辨率方式引导基本层的融合。最后，得到曝光良好的融合图像，其在所有输入曝光的每个尺度下组合融合的基层和细节层。所提出的算法跳过复杂的高动态范围图像（HDRI）生成和色调映射步骤，以产生细节保留图像，用于在标准动态范围显示器上显示。此外，我们的技术是有效的混合闪光灯/无闪光灯的图像对和多焦点图像，即图像集中在不同的目标。
2013-07-10 cs.CV cs.MM
