中国人民解放军92728部队

本发明属于计算机视觉与深度学习技术领域，公开基于掩码引导流匹配的无监督红外与可见光图像融合方法。该方法充分利用流匹配方法中ODE求解的双向可逆特性，以自监督循环重构为核心闭环，不引入任何人工定义的融合损失，仅依靠流匹配模型自身的可逆映射完成端到端无监督融合。本发明创新性引入由轻量级网络提取的物理先验掩码，通过掩码引导的重构损失对可逆流空间进行精准约束，迫使流匹配模型在有限容量的融合通道中，自动保留红外热目标与可见光纹理两类最具物理价值的互补信息。本发明引入信息瓶颈技术，将信息通道划分为融合通道和残差通道，并将冗余信息压制为无意义分布，通过信息瓶颈过滤掉冗余特征。

本发明属于深度学习技术领域，公开了一种自监督双循环的红外与可见光图像融合方法，包括以下步骤：红外模态与可见光模态编码器预训练阶段；自监督双循环训练阶段；融合图像生成阶段。本发明的自监督双循环的训练框架解决了红外和可见光图像融合中没有真值只能依赖人为定义的损失函数的问题，无需构造融合标签、无需手工设计梯度损失、结构损失、信息熵损失等复杂约束，从根源上避免了人工损失带来的纹理平滑、目标失真、模态信息失衡等缺陷。该发明可以作为一种高效、稳定的训练手段，为下游多模态视觉任务提供高质量融合数据。

本发明属于深度学习与计算机视觉交叉技术领域，公开一种基于W1距离度量流速解耦的红外可见光图像融合方法。本发明基于一阶瓦塞斯坦距离度量的跨模态图像速度解耦流匹配方法解决了高维特征空间中非线性耦合难以彻底消除的理论瓶颈。本发明可以作为一个高纯净度的模态不可知特征提取范式，为复杂的遥感下游任务提供强大的底层特征驱动，甚至无需领域自适应即可在跨模态数据上实现卓越的性能。本发明解决了小批次数据训练下传统解耦方法极易产生数值震荡与特征坍缩的难点，提出的基于确定性错排的伪分布构建与极小极大交替优化策略，不仅实现了内容与风格在动力学层面的绝对解耦，更能生成语义高度一致且像素级配对的跨模态图像数据。

本发明属于深度学习技术领域，公开了一种多模态联合校正流的遥感图像生成方法。本发明用于在单一文本提示条件下生成空间对齐且互相增强的可见光图像、SAR图像和红外遥感图像。该方法将多个模态的潜在表示拼接为联合潜在表示，并在联合潜在空间中学习从高斯分布到多模态联合条件分布的概率传输路径，使不同模态共享同一时间步、同一前向过程和同一采样轨迹。生成的配对多模态图像用于下游任务的训练，从而提高下游任务的性能。