三种级别的图像融合：像素级、特征级、决策级。
多尺度特征的融合操作 图像多尺度特征融合、特征金字塔总结
图像金字塔 几种常规的图像融合方法及其原理
DIDFuse:用于红外和可见光图像融合的深度图像分解 提取特征有传统方法和深度学习方法，融合可以借鉴传统方法，先用深度学习方法提取出特征，然后用传统方法特征相加比如上面这篇文章，高频加高频，低频加低频。 重构也有传统方法和深度学习方法，深度学习方法就是解码器。
训练时可以先不加融合策略，只训练编码器和解码器参数。这种训练策略的优点是可以为特定的融合任务设计合适的融合层。
很多有重构编码器的损失函数里都出现了SSIM，写论文的时候记得详细阐述一下这个。
本科毕设很难创新，想增加工作量的话就多做横向对比，但是如果对比的算法网上没开源的话就得自己敲代码，很花时间，而且如果在一个大家都没跑过的数据集上的话所有算法都要重新跑一遍，费时而且跑完不一定自己的模型效果就好，效果不好还得改损失函数或者网络。有一个偷懒的方法就是在一个很多模型都跑过的数据集上跑，这样我就只需要跑我自己的模型就行了，别的模型的数据直接从他们的论文里找。
图像配准是图像融合的前提。
如果为了提高检测小目标的精度，可以考虑加FPN结构，就是在每一个卷积层上都去做目标检测，以往的方法都是在最后一层才做目标检测，大目标的信息得到了保留但是小目标的信息很可能丢失了，那现在从第一层就开始检测，可以留住小目标的信息。
论文结构：
第一章绪论，第二张理论基础，第三章提出的网络但是没有确定融合策略，在这章里做实验看哪一种融合策略效果好。第四章用确定了融合策略的网络去和别的网络比。第五章改进检测算法。
可以加一个数据预处理。
注意力机制在CV中的应用，这个UP主讲的不错
注意力机制在CV中的讲解