多模态信息融合

Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios

抗退化融合：一种高效的抗退化扩散框架，用于任意退化场景下的多模态图像融合

Yu Shi, Yu Liu, Zhong-Cheng Wu, Juan Cheng, Huafeng Li, Xun Chen

机构 * Department of Biomedical Engineering, Hefei University of Technology（合肥工业大学生物医学工程系） ； Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院） ； School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院） 纠错

专题命中 通用Image Fusion ：image fusion(title,abstract)；multimodal image fusion(title)；分类 cs.CV

AI总结 本文提出一种高效的抗退化扩散框架，用于处理多模态图像融合中的复杂退化场景。该框架通过隐式去噪和联合观测模型校正机制，提升了在复杂退化下的融合性能。

Comments Accepted by CVPR 2026

UHD Low-Light Image Enhancement via Real-Time Enhancement Methods with Clifford Information Fusion

通过Clifford信息融合的实时方法实现UHD低光照图像增强

Xiaohan Wang, Chen Wu, Dawei Zhao, Guangwei Gao, Dianjie Lu, Guijuan Zhang, Linwei Fan, Xu Lu, Shuai Wu, Hang Wei, Zhuoran Zheng

机构 * Xi'an University of Electronic Science and Technology（西安电子科技大学） ； National University of Defense Technology（国防科技大学） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Information Science and Engineering, Shandong Normal University（山东师范大学信息科学与工程学院） ； School of Computing and Artificial Intelligence, Shandong University of Finance and Economics（山东财经大学计算机科学与人工智能学院） ； College of Information Science and Engineering, Shandong Agricultural University（山东农业大学信息科学与工程学院） ； Xi'an University（西安大学） ； Qilu University of Technology（齐鲁工业大学） 纠错

专题命中 通用Image Fusion ：information fusion(title)；分类 cs.CV、eess.IV

AI总结 本文提出基于Clifford代数的实时UHD低光照图像增强网络，通过几何特征融合解决内存瓶颈问题，实现4K/8K图像毫秒级推理，并在多个恢复指标上优于现有方法。

Customized Fusion: A Closed-Loop Dynamic Network for Adaptive Multi-Task-Aware Infrared-Visible Image Fusion

定制融合：一种闭环动态网络用于自适应多任务感知红外-可见图像融合

Zengyi Yang, Yu Liu, Juan Cheng, Zhiqin Zhu, Yafei Zhang, Huafeng Li

专题命中 红外-可见光融合 ：image fusion(title,abstract)；分类 cs.CV

AI总结 本文提出闭环动态网络CLDyN，通过需求驱动语义补偿模块实现多任务自适应的图像融合，实验表明其在保持高质量融合的同时具备强多任务适应性。

Comments This paper has been accepted by CVPR 2026

NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: Multi-Exposure Image Fusion in Dynamic Scenes (Track 2)

NTIRE 2026 第三次恢复任何图像模型（RAIM）挑战：动态场景中的多曝光图像融合（Track 2）

Lishen Qu, Yao Liu, Jie Liang, Hui Zeng, Wen Dai, Guanyi Qin, Ya-nan Guan, Shihao Zhou, Jufeng Yang, Lei Zhang, Radu Timofte, Xiyuan Yuan, Wanjie Sun, Shihang Li, Bo Zhang, Bin Chen, Jiannan Lin, Yuxu Chen, Qinquan Gao, Tong Tong, Song Gao, Jiacong Tang, Tao Hu, Xiaowen Ma, Qingsen Yan, Sunhan Xu, Juan Wang, Xinyu Sun, Lei Qi, He Xu, Jiachen Tu, Guoyi Xu, Yaoxin Jiang, Jiajia Liu, Yaokun Shi

专题命中 多聚焦/多曝光融合 ：image fusion(title,abstract)；multi-exposure(title,abstract)；分类 cs.CV

AI总结 本文提出NTIRE 2026挑战，针对动态场景中多曝光图像融合的HDR成像难题，提供包含100训练序列和100测试序列的基准数据集，评估PSNR、SSIM、LPIPS等指标及感知质量，最终由114支队伍提交987份方案，提升去噪和细节恢复能力。

Comments Accepted by CVPRW 2026

Fast Model-guided Instance-wise Adaptation Framework for Real-world Pansharpening with Fidelity Constraints

快速模型引导的实例级适应框架用于具有保真度约束的现实世界全色增强

Zhiqi Yang, Jin-Liang Xiao, Shan Yin, Liang-Jian Deng, Gemine Vivone

机构 * University of Electronic Science and Technology of China（电子科技大学） ； National Research Council, Institute of Methodologies for Environmental Analysis (CNR-IMAA)（国家研究委员会，环境分析方法研究所（CNR-IMAA）） 纠错

专题命中 遥感融合与全色锐化 ：pansharpening(title,abstract)；分类 cs.CV

AI总结 本文提出FMG-Pan框架，通过联合优化光谱和物理保真度约束，实现快速训练和推理，提升全色增强的跨传感器泛化能力与实时性。

All You Need for Object Detection: From Pixels, Points, and Prompts to Next-Gen Fusion and Multimodal LLMs/VLMs in Autonomous Vehicles

自动驾驶所需的所有内容：从像素、点和提示到下一代融合和多模态LLM/VLMs

Sayed Pedram Haeri Boroujeni, Niloufar Mehrabi, Hazim Alzorgan, Mahlagha Fazeli, Abolfazl Razi

机构 * Department One（第一部门） ； Department Two（第二部门） 纠错

专题命中 机器人多传感器融合 ：sensor fusion(abstract)；分类 cs.CV

AI总结 本文探讨自动驾驶中物体检测的最新进展，重点介绍多模态感知、视觉语言模型和大语言模型等新兴方法，分析传感器融合策略及未来发展方向。

Detection of Hate and Threat in Digital Forensics: A Case-Driven Multimodal Approach

数字取证中的仇恨与威胁检测：基于案例的多模态方法

Ponkoj Chandra Shill

机构 * University of Nevada, Reno（内华达大学雷诺分校） 纠错

专题命中 融合架构与评测 ：multimodal fusion(abstract)；分类 cs.CV

AI总结 本文提出一种基于案例的多模态方法，用于数字取证中的仇恨与威胁检测，通过区分文本证据、关联上下文文本和图像证据，提升取证的可追溯性和准确性。

Comments 8 pages, 4 figures