拉普拉斯金字塔圖像融合的案例
2-1基于matlab的拉普拉斯金字塔圖像融合算法
圖像融合
拉普拉斯金字塔圖像融合 ￥12.2
基于matlab的拉普拉斯金字塔圖像融合算法，可以使部分圖像模糊的圖片清楚，也可以使圖像增強。程序已調通，可直接運行。
2-3 基于matlab的NSCT-PCNN融合和創新算法（NSCT-ML-PCNN ）圖像融合 ￥12.2
基于matlab的NSCT-PCNN融合和創新算法（NSCT-ML-PCNN ）圖像融合。NSSCTest.m文件：用于查看利用NSSC算法分解出的圖像并保存。其中的nlevel可調test.m文件：用于產生融合結果，其中一個參數需要設置：Low_Coeffs_Rule：NSCT-PCNN進行圖像融合時：Low_Coeffs_Rule選擇PCNN；High_Coeffs_Rule選擇PCNN創新算法的圖像融合時：Low_Coeffs_Rule選擇ML-PCNN；High_Coeffs_Rule。可直接運行。
展開 204基于matlab的圖像融合 ￥12.9
基于matlab的圖像融合，包括三種方式，加權、PCA、IHS變換。比較三者融合后的圖像差異。程序已調通，可直接運行。
自動駕駛之點云與圖像融合綜述
特征融合：
最直觀的就是將點云投影到圖像上，然后利用圖像處理方法進行特征提取，但輸出也是圖像級，對于3D空間的定位不是很準確。如DepthRCNN就是一種基于RCNN的二維對象檢測、實例和語義分割架構。《Cross modal distillation for supervision transfer》則是在圖像數據和深度圖像之間做遷移，當然還有其他，這一塊后續會專門介紹。
多級融合，
這個其實是結果級融合與特征級融合的結合，主要工作可以歸結為點融合（Pointfusion），
點融合首先利用現有的2D檢測模型生成2D bbox，然后用于通過向圖像平面的投影點來定位通過方框的點，最后采用一個ResNet和一個PointNet結合的網絡將點云與圖像特征結合來估計3D目標。類似的方案還很多，如SIFRNet、Pointsift。
5B）基于3D的模型
略（個人對這一塊很感興趣，會專門對提到的文章進行閱讀，見諒）。
Stationary Road Object Detection
靜止物體檢測，其實對在線校準起到很大的作用。固定的道路物體包括路面、道路標記、交通標識牌等。
道路/車道檢測，有很多方法，
這里專門介紹一下基于深度學習的融合策略。
可以分為基于BEV的方法或者基于前視圖的方法。《Deep multi-sensor lane detection》利用CNN從點云中預測密集的BEV高度估計，然后與BEV圖像融合，以進行精確的車道檢測，但這種方法無法區分不同的車道類型。
展開 
毫米波雷達和「圖像數據」的融合｜技術解讀篇
更復雜一些的方法會先將點云轉換成 BEV 坐標下的圖像，采用基于 CNN 的物體檢測網絡生成 Proposal，與直接由點云生成 Proposal 相比，基于 BEV 圖像的方法增加了計算量，但一般來說生成的 Proposal 質量會高很多，畢竟 CNN 可以從點云中抽取更為豐富的物體和場景信息。
也有人提出通過雷達 BEV 數據和相機圖像數據同時生成 Proposall。來自兩種數據的 Proposal 通過幾何映射可以進行對應，然后再將各自的特征進行融合，用全連接網絡進行分類。這里的幾何映射指的是BEV和圖像坐標之間的映射，可以由雷達和相機的標定數據計算得到。
基于 Proposal 的數據層融合
特征層融合
與數據層融合相比，特征層的融合更加底層一些，也更有利于神經網絡也學習不同傳感器之間的互補性，但是算法設計的復雜程度也相對較高。一般的做法是將點云數據映射到圖像坐標系下，形成一個類似于相機圖像的「點云圖像」。
比如在下圖中的例子中，第一行是相機圖像，第二、三行是對應 Range 和 Doppler 數據的點云圖像，分別反映了場景內物體的距離和運動信息。點云圖像和相機圖像處于相同的坐標系下，因此，可以很容易的通過神經網絡進行融合。
相機圖像和點云圖像示例
也可以將包含 Range 和 Doppler 的點云圖像作為額外的輸入數據，用 ResNet 進行特征提取后與相機 RGB 圖像進行融合。
展開 毫米波雷達和「圖像數據」的融合｜技術解讀篇
更復雜一些的方法會先將點云轉換成 BEV 坐標下的圖像，采用基于 CNN 的物體檢測網絡生成 Proposal，與直接由點云生成 Proposal 相比，基于 BEV 圖像的方法增加了計算量，但一般來說生成的 Proposal 質量會高很多，畢竟 CNN 可以從點云中抽取更為豐富的物體和場景信息。
也有人提出通過雷達 BEV 數據和相機圖像數據同時生成 Proposall。來自兩種數據的 Proposal 通過幾何映射可以進行對應，然后再將各自的特征進行融合，用全連接網絡進行分類。這里的幾何映射指的是BEV和圖像坐標之間的映射，可以由雷達和相機的標定數據計算得到。
基于 Proposal 的數據層融合
特征層融合
與數據層融合相比，特征層的融合更加底層一些，也更有利于神經網絡也學習不同傳感器之間的互補性，但是算法設計的復雜程度也相對較高。一般的做法是將點云數據映射到圖像坐標系下，形成一個類似于相機圖像的「點云圖像」。
比如在下圖中的例子中，第一行是相機圖像，第二、三行是對應 Range 和 Doppler 數據的點云圖像，分別反映了場景內物體的距離和運動信息。點云圖像和相機圖像處于相同的坐標系下，因此，可以很容易的通過神經網絡進行融合。
相機圖像和點云圖像示例
也可以將包含 Range 和 Doppler 的點云圖像作為額外的輸入數據，用 ResNet 進行特征提取后與相機 RGB 圖像進行融合。
展開 基于改進條件擴散模型的電阻抗成像圖像重建與敏感度先驗融合
本文面向兩條互補技術路線：一是條件擴散重建（CDEIT），直接以邊界電壓為條件，在端到端擴散反演中迭代生成電導率圖像；二是無監督敏感度先驗融合（SPfusion），在物理模型驅動解算中引入由擴散模型生成的非均勻敏感度先驗，以增強結構細節與穩健性。我們給出統一問題表述、網絡結構要點（Transformer-U-Net、多尺度/窗口注意力、時間步嵌入、EIM電壓映射）、快速采樣（DDIM）與電壓/電流歸一化的域泛化方案；并基于16電極、鄰近激勵/測量協議，覆蓋多相夾雜、肺形體模及實際測量，報告在PSNR/SSIM/RMSE等指標上的優于多種基線（如DHU-Net、FISTA-Net、CD-EIT）的結果與可視化對比。方法論證表明，直接條件生成與物理先驗融合兩類擴散框架可分別從數據驅動和模型驅動側提升EIT重建的分辨率與魯棒性，并可與實時成像和臨床任務（如呼吸功能監測）進一步耦合。
關鍵詞：電阻抗成像（EIT）；擴散模型；條件擴散；敏感度先驗；Transformer；DDPM/DDIM；模型驅動與數據驅動融合；域泛化
引言
EIT通過測量電極邊界電壓來反演目標區域的電導率分布。傳統線性化或迭代優化方法雖能引入正則項緩解病態，但在實時性、結構邊界銳度與對噪聲/失配的魯棒性方面仍受限。深度學習方法將電壓到電導率的映射視作回歸問題，取得顯著提升，但存在對特定數據分布過擬合、泛化性弱等問題。近年興起的擴散生成模型以多階段去噪的方式逐步細化空間細節，具備更強的先驗學習與抗噪能力。本文聚焦兩類代表性思路：（i）CDEIT：以邊界電壓作為條件直接生成電導率圖像；（ii）SPfusion：以擴散模型生成非均勻敏感度先驗并與模型驅動解算融合，以彌補線性敏感度的高階信息缺失。
展開 