基于生成对抗网络的轻量化图像融合算法OA

为解决常规图像融合算法因体积过大导致的复杂度高、存储空间需求较大、计算资源占用多、部署困难等问题,通过在目标感知双对抗学习(target-aware dual adversarial learning,TarDAL)网络中引入深度可分离卷积(depthwise separable convolution,DSConv)与卷积块注意力模块(convolutional block attention module,CBAM),提出了一种轻量化图像融合算法。将生成器结构中的传统卷积层分解为深度卷积和点卷积2个部分,形成深度可分离卷积,实现算法轻量化,降低计算成本与参数量。对源图像提取的特征使用CBAM混合注意力机制处理,使得网络在学习特征时更关注重要的通道与空间特征,提升融合图像的特征表达能力。在M^(3)FD数据集上的测试结果表明,与原TarDAL算法相比,轻量化算法在主观评价方面更好地保留了细节与纹理,削弱了强光的干扰;在客观评价方面,图像评估指标变化小。轻量化算法生成的融合图像质量良好,模型参数量较原TarDAL算法下降了86.24%。