基于MoE的通用图像融合模型，添加2.8%参数完成多项任务
- 论文链接：https://arxiv.org/abs/2403.12494
- 代码链接：https://github.com/YangSun22/TC-MoA
- 论文题目：Task-Customized Mixture of Adapters for General Image Fusion
图 1 不同融合任务的源图像对融合结果的主导强度变化
研究背景与动机
图像融合的目的是将同一场景中不同传感器捕获的多源图像的互补信息整合到单个图像上。这种方式通常被用于提取图片重要信息和提高视觉质量。
目前，一般的图像融合主要包括多模态、多曝光、多焦图像融合等。融合任务表现出不同的融合机制。多曝光图像融合（MEF）的重点是将具有多个曝光程度的图像序列转换成一个高质量的全曝光图像。每个源图像为融合的图像提供自己的光照和结构信息。可见红外图像融合（VIF）是一种多模态图像融合（MMF），旨在融合红外和可见模态的互补信息，产生鲁棒且信息丰富的融合图像。红外图像提供更多的强度信息，而可见图像提供更多的纹理和梯度信息。多聚焦图像融合（MFF）的目的是从一系列部分聚焦的图像中生成一个全聚焦的图像。多聚焦融合图像的每个清晰区域通常只需要学习一个源图像。因此，可以观察到，MEF 和 VIF 任务是多源相对平等的融合，而 MFF 是多源地位较为极端的任务，对图像的某一区域而言，往往表现出极化的选择。
随着深度学习技术的快速发展，近年来图像融合领域取得了很大的进展，而现有的方法大多只关注单一图像融合场景，通常为单一任务采用特定策略，如为某任务设计的复杂网络或任务特定的损失函数，导致无法直接应用在其他任务上。考虑到不同融合任务的本质相同，即整合来自多个源图像的重要信息，最近提出的一些方法，试图使用统一的模型处理多种融合任务，构建通用的图像融合。然而，这些方法要么有主导任务偏差，要么为了多任务共性而牺牲个性，导致次优的性能。这促使我们探索一个更兼容的融合范式，它可以自适应地动态地兼容不同的融合场景。
为了处理这一挑战，受到预训练基座模型强大的特征表示能力的启发，我们引入了基座模型作为一个冻结的编码器来提取多源图像的互补特征。与大多数现有方法不同的是，我们借鉴了混合专家（MoE）的思想，将每个专家作为一个高效的微调适配器，基于基座模型执行自适应视觉特征提示融合。任务特定的路由网络定制这些适配器的混合，为不同的源生成任务特定的融合提示，形成一种新的任务定制混合适配器（TC-MoA）架构。另外，我们设计了互信息正则化来约束融合提示，从而保证了对不同来源的互补性。值得注意的是，融合提示具有显著的任务偏差和模态主导强度差异。如图 1 所示，MFF 的提示比 VIF 和 MEF 的色差更大，说明特征选择在优势模态的强度偏差上具有更多的双极性。我们的模型有效地感知了单一模型中不同融合任务之间的融合强度偏差，因此与更广泛的融合任务相兼容。
大量的实验验证了我们在通用图像融合方面的优越性，包括多模态、多曝光和多焦点融合。更重要的是，我们的 TC-MoA 甚至对未知的融合任务显示出了创造性的可控性和泛化性，充分展示了我们在更广泛的融合场景中的潜力。
主要贡献
- 我们提出了一个统一的通用图像融合模型，提供了一种新的任务定制混合适配器（TC-MoA）用于自适应多源图像融合（受益于动态聚合各自模式的有效信息）。
- 我们为适配器提出了一种互信息正则化方法，这使得我们的模型能够更准确地识别不同源图像的主导强度。
- 据我们所知，我们首次提出了一种基于 MoE 的灵活适配器。通过只添加 2.8% 的可学习参数，我们的模型可以处理许多融合任务。大量的实验证明了我们的竞争方法的优势，同时显示了显著的可控性和泛化性。
核心方法
图 2 TC-MoA 的总体架构
实验效果
定性和定量实验。如图 3-5 和表 1-3 所示，在三个融合任务上的定性和定量对比表明我们的方法性能超越以往的通用融合方法。与特定任务的方法相比，我们的方法在所有任务上也达到了先进水平，甚至在部分任务（VIF）上达到了领先水平。证明了所提方法的优越性。
图 3 VIF 任务 LLVIP 数据集上的定性比较实验
图 4 MEF 任务 MEFB 数据集上的定性比较实验
图 5 MFF 任务数据集上的定性比较实验
表 1 VIF 任务 LLVIP 数据集上的定量比较实验
表 2 MEF 任务 LLVIP 数据集上的定量比较实验
表 3 MFF 任务 LLVIP 数据集上的定量比较实验
图 6 域内任务的可控性和未知任务的泛化性
可控性和泛化性。如图 6 所示，通过控制融合提示的超参数 α 和 β，我们可以分别控制模型对源图像互补信息的特征选择强度（区域级）和融合图像与某个源图像的相似度（图像级）。我们可以通过线性变换融合提示，最终实现生成定制的融合图像。对于已知的任务，如多曝光融合，我们可以得到定制化的最符合人类感知的融合结果。对于未知任务，我们可以调制出最合适的融合参数，将模型泛化到未知任务。
