论文标题：Coupled Feature Learning for Multimodal Medical Image Fusion 论文链接：https://arxiv.org/abs/2102.08641 作者单位：阿尔托大学 & 巴黎中央理工-高等电力学院 表现SOTA！性能优于PCNN-NSST、LP-CNN等网络。

多模态图像融合旨在将来自不同传感器获取的图像的相关信息进行组合。在医学成像中，融合图像在标准和自动诊断中都起着至关重要的作用。在本文中，我们提出了一种基于耦合字典学习的新型多模特图像融合方法。所提出的方法是通用的，并且可以用于不同的医学成像模态。与许多当前的医学融合方法不同，所提出的方法不会受到强度衰减或关键信息丢失的困扰。具体而言，将要融合的图像分解为分别使用具有相同支持和Pearson相关约束的稀疏表示估计的耦合分量和独立分量。设计了一种交替最小化算法来解决由此产生的优化问题。最后的融合步骤使用最大绝对值规则。使用多对多模式输入进行实验，包括实际的MR-CT和MR-PET图像。与最新的医学图像融合方法相比，所产生的性能和执行时间表明了该方法的竞争力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除