2020 PAMI，使用一个模型可以应用到各种图像融合任务。
原来方法的问题
1.对于各种图像融合任务来说，一个通用的融合模型是不存在的，因为缺少一个通用的参考图像或者GT
2.不同类型的图像融合任务具有相似点，应当可以使用通用模型解决这些问题
论文提出的点
1.将不同融合任务使用相同的模型去解决，这些任务之间可以互相促进，提升泛化性
2.通过衡量融合图像和原始图像的相似性，使得原始图像更多的内容能被保持，该策略同时可以应对没有参考图像的情况
论文的方法
论文整体方法图如下所示:
1.论文构建方法的核心问题是衡量原始图像相对融合结果的重要性，从而使得方法可以无监督运行
2.特征提取网络使用VGG 16网络，这里将浅层特征和深层特征进行了结合
3.为了衡量信息的相似性，这里使用梯度图进行表示，其更为轻便且利于存储。计算两个梯度图有之间的softmax，生成权重w1,w2作为融合的权重
4.损失函数方面，为了约束w1,w2，这里使用SSIM和MSE将输出结果和输入的两个图像利用权重w1,w2作为约束，表示为：
Lssim(θ; D) = E[w1 · (1 − S If ;I1) + w2 · (1 − S If ;I2)]
Lmse(θ; D) = E[w1 · MSEIf ;I1 + w2 · MSEIf ;I2]:
- 为了使得其可以适用于不同任务，这里使用continue learning进行泛化表示，即对每个任务来说，保留一部分对该任务较为重要的参数，如下图所示:
6.对于多个图像融合，可以将两两融合的机制串起来即可，如下图所示:
结果与思考
思考：将具有相似特性的多个任务结合起来，发掘其中共性并进行相应的学习，可以作为探索问题的一个角度