即插即用系列 | IEEE TMM 2025 SPDFusion：当语义分割成为图像融合的“导师”

论文标题：SPDFusion: A Semantic Prior Knowledge-Driven Method for Infrared and Visible Image Fusion

论文来源：IEEE Transactions on Multimedia (Vol. 27, 2025)
关键词：Image Fusion, Semantic Prior, Deep Learning, Task-Driven, GAN

论文原文 (Paper)：https://ieeexplore.ieee.org/abstract/document/10814643

GitHub 仓库链接（包含论文解读及即插即用代码）：https://github.com/AITricks/AITricks
哔哩哔哩视频讲解：https://space.bilibili.com/57394501?spm_id_from=333.337.0.0

- - 1. 核心思想（Core Idea）
  - 2. 背景与动机（Background & Motivation）
  - - 2.1 文本背景总结
    - 2.2 动机图解分析
  - 3. 主要创新点（Main Contributions）
  - 4. 方法细节（Method Details）
  - - 4.1 整体网络架构
    - 4.2 核心创新模块详解
    - 4.3 理念与机制总结
    - 4.4 图解总结
  - 5. 即插即用模块的作用
  - 6. 实验部分简单分析 (Experiments)
- 在这里插入图片描述
- - 7. 获取即插即用代码关注【AI即插即用】

1. 核心思想（Core Idea）

本文提出了一种名为SPDFusion的新型融合框架，旨在解决传统红外与可见光图像融合方法忽略语义信息，导致融合图像在下游高级视觉任务（如语义分割）中表现不佳的问题。其核心策略是利用预训练的语义分割模型提取语义先验知识，通过语义特征感知模块 (SFPM)和语义特征嵌入模块 (SFEM)将这些高层语义信息深度注入到融合过程中。同时，结合区域语义对抗损失，强制模型针对不同类别的物体区域进行精细化生成，从而实现“既看得清，又好识别”的融合效果。

2. 背景与动机（Background & Motivation）

2.1 文本背景总结

红外与可见光图像融合的初衷是结合两者的互补信息（红外的热辐射目标 + 可见光的纹理细节）。

现有问题：大多数现有的深度学习融合方法（基于 CNN 或 GAN）主要关注像素级的重构损失或视觉质量指标。它们往往对所有像素一视同仁，忽略了图像中不同区域（如人、车、背景）具有不同的语义重要性。
后果：虽然融合出的图片人眼看着还行，但当把这些图片送入机器视觉系统（如自动驾驶中的分割网络）时，由于物体边缘模糊或特征混淆，导致分割精度（mIoU）很低。这就是典型的**“语义鸿沟”**问题。

2.2 动机图解分析

看图说话与痛点分析：

对比局限性：观察图中的传统方法结果，虽然红外目标（如行人）被高亮了，但其边缘可能与背景纹理混杂在一起。在对应的分割图中，可以看到行人的轮廓是支离破碎的。
核心问题引出：这说明单纯的像素级融合丢失了**“物体是什么”**的高层信息。
本文思路：SPDFusion（最右侧）的分割结果非常清晰完整。这是因为网络在融合时“知道”这里有一个人，那里是一辆车，因此在生成像素时会有意识地保持这些区域的特征一致性，从而解决了底层特征与高层语义不匹配的问题。

3. 主要创新点（Main Contributions）

语义驱动的融合框架：构建了一个双分支结构，将预训练分割网络提取的语义掩码和特征作为先验（Prior），显式地指导图像融合过程。
语义特征感知模块 (SFPM)：利用语义掩码作为空间注意力图，指导编码器关注图像中的显著语义区域（如前景目标），增强源图像特征的提取。
语义特征嵌入模块 (SFEM)：将高维语义特征通过嵌入的方式注入到解码器中，确保在重构融合图像时，物体的语义类别信息不丢失。
区域语义对抗机制：提出了一种基于类别的区域对抗损失，将鉴别器细化到具体的语义类别（如只判别“车”这一类生成的真假），显著提升了特定目标的生成质量。

4. 方法细节（Method Details）

4.1 整体网络架构

数据流详解：
SPDFusion 包含三个主要部分：语义提取分支、图像融合分支和区域鉴别器。

输入 (Input)：红外图像I i r I_{ir}Iir和可见光图像I v i I_{vi}Ivi。
语义提取分支 (Semantic Branch)：
- 使用预训练好的分割模型（如 BiSeNet）分别处理I i r I_{ir}Iir和I v i I_{vi}Ivi。
- 输出：得到语义特征图F s e g F_{seg}Fseg和语义掩码（Mask）M s e g M_{seg}Mseg。这些信息作为“导师”信号。
图像融合分支 (Fusion Branch)：
- 编码器 (Encoder)：提取图像特征。在此过程中，SFPM被插入，利用语义掩码M s e g M_{seg}Mseg来加权特征图，强化前景。
- 特征融合层：将红外和可见光特征进行拼接或相加。
- 解码器 (Decoder)：重构图像。在此过程中，SFEM被插入，将语义特征F s e g F_{seg}Fseg嵌入到解码流中。
对抗训练 (Discriminator)：
- 生成的融合图像I f I_fIf被送入鉴别器。鉴别器不仅判断真假，还结合语义标签进行区域判别。
输出 (Output)：最终得到既保留纹理又具备强语义特征的融合图像。

4.2 核心创新模块详解

模块 A：语义特征感知模块 (SFPM)

内部结构：
- 输入：源图像的中间特征F e n c F_{enc}Fenc和语义掩码M s e g M_{seg}Mseg。
- 流动：语义掩码经过下采样与特征图尺寸对齐，然后通过一个卷积层生成空间注意力权重。
- 操作：F o u t = F e n c ⊙ A t t e n t i o n ( M s e g ) + F e n c F_{out} = F_{enc} \odot Attention(M_{seg}) + F_{enc}Fout=Fenc⊙Attention(Mseg)+Fenc。
设计目的：
- 这是一种空间注意力机制。它告诉编码器：“这里是人，那里是车，请重点提取这些区域的纹理特征，忽略无关的背景噪声。”

模块 B：语义特征嵌入模块 (SFEM)

内部结构：
- 输入：解码器的特征F d e c F_{dec}Fdec和语义特征F s e g F_{seg}Fseg（来自分割网络中间层）。
- 流动：借鉴了 SPADE (Spatially-Adaptive Normalization) 的思想。语义特征被用来生成缩放因子γ \gammaγ和偏置因子β \betaβ。
- 操作：F o u t = γ ( F s e g ) ⋅ N o r m ( F d e c ) + β ( F s e g ) F_{out} = \gamma(F_{seg}) \cdot Norm(F_{dec}) + \beta(F_{seg})Fout=γ(Fseg)⋅Norm(Fdec)+β(Fseg)。
设计目的：
- 这是一种条件归一化机制。它不仅是简单的特征相加，而是用语义信息去“调制”融合特征的分布。确保解码出来的像素不仅像图像，更像具体的“物体类”。

4.3 理念与机制总结

SPDFusion 的核心理念是“语义流引导像素流”。

机制：传统方法是 Bottom-up（从像素到特征），SPDFusion 引入了 Top-down（从语义到特征）的反馈。
公式解读：I f u s e d = G ( I i r , I v i ∣ S e m a n t i c _ P r i o r ) I_{fused} = G(I_{ir}, I_{vi} | Semantic\_Prior)Ifused=G(Iir,Ivi∣Semantic_Prior)。
协同工作：SFPM 在前端负责“聚焦目标”，SFEM 在后端负责“保持身份”，区域对抗损失负责“细节打磨”。三者构成了完整的语义闭环。

4.4 图解总结

回到“动机图解”的核心问题：

SFPM解决了红外目标在可见光背景中容易丢失的问题（通过掩码加权）。
SFEM解决了融合图像在分割网络中特征不匹配的问题（语义鸿沟），确保生成的特征符合分割网络的分布偏好。
因此，最终的融合图像在图 1 中能产生完美的分割结果。

5. 即插即用模块的作用

本论文提出的模块具有很好的通用性，可迁移至其他任务：

SFPM (语义感知)：
- 适用场景：任何需要突出前景目标的图像增强任务，如显著性目标检测、去雾（关注物体而非天空）。
- 应用：可以插入到 U-Net 的 Encoder 中，利用粗糙的掩码引导特征提取。
区域语义对抗损失 (Regional Semantic Adversarial Loss)：
- 适用场景：生成对抗网络 (GAN)类的任务。
- 应用：在做图像修复（Inpainting）或风格迁移时，如果你希望生成的特定物体（如人脸、车牌）更加逼真，可以用这种基于Mask的局部判别器替代全局判别器。

6. 实验部分简单分析 (Experiments)

论文在MSRS和RoadScene等数据集上进行了验证。

视觉质量：
- SPDFusion 的结果对比度高，目标清晰。特别是在光照不足的场景下，红外目标的轮廓非常锐利。
客观指标：
- 在 EN (信息熵)、SD (标准差)、SF (空间频率) 等常规指标上均达到 SOTA。
下游任务评估（最重要）：
- 论文将融合图像送入语义分割网络测试mIoU (平均交并比)。
- 结果：SPDFusion 的 mIoU 显著高于其他对比方法（如 TarDAL, SeAFusion）。这直接证明了引入语义先验对于提升机器感知能力的有效性。

总结：SPDFusion 是一篇典型的High-level 指导 Low-level的论文。它跳出了“为了融合而融合”的怪圈，真正从应用（分割）的角度反推融合算法的设计。对于做多任务联合学习或语义辅助增强的同学，这篇论文的架构设计非常有借鉴意义。

到此，所有的内容就基本讲完了。如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。