轻量级高效多帧融合算法

20/24轻量级高效多帧融合算法第一部分轻量级融合权重学习 2第二部分多帧融合图像增强 5第三部分基于光流的帧对齐 7第四部分高斯混合模型建模 11第五部分权重融合系数优化 13第六部分不同图像区域融合策略 15第七部分融合结果后处理 17第八部分算法复杂度与性能分析 20

第一部分轻量级融合权重学习关键词关键要点轻量级融合权重学习

1.基于深度学习的权重学习：利用卷积神经网络（CNN）学习融合权重，通过训练网络学习每个帧的重要程度，从而得到自适应的融合权重。

2.权重约束与正则化：对融合权重施加约束条件或正则化项，以防止权重过度拟合或不合理，保证权重的稳定性。

3.知识迁移与权重初始化：利用预训练的模型或知识迁移技术初始化融合权重，加快训练过程并提升融合效果。

渐进式权重更新

1.自适应权重更新：按照时间序对帧进行渐进式处理，依据当前帧和历史帧的融合效果动态更新融合权重，实现自适应融合。

2.局部权重更新：对图像中的不同区域采用局部融合权重，考虑到不同区域的差异性和重要性，提高融合效果。

3.稀疏权重优化：利用稀疏约束或剪枝技术优化融合权重，减少计算成本并提升模型效率。

在线权重学习

1.实时权重更新：在数据流处理过程中实时更新融合权重，适应场景的变化和新的帧的输入，实现在线融合。

2.增量式训练与自适应：采用增量式训练方式，随时间推移不断更新权重，增强模型对新数据的适应性。

3.在线评估与反馈：引入在线评估机制，基于融合结果反馈优化融合权重，实现自适应和鲁棒的融合。

并行权重学习

1.并行化计算：利用并行计算技术加速融合权重学习，大幅提升训练效率和处理速度。

2.分布式架构：采用分布式架构，将权重学习任务分配到多个节点并行处理，缩短训练时间。

3.异步更新：在并行计算过程中采用异步更新机制，允许不同节点以不同的速率更新权重，提高训练过程的容错性。

注意力机制

1.注意力权重：引入注意力机制，学习注意力权重，突出重要帧或图像区域，在融合过程中赋予其更大的权重。

2.自适应注意力：注意力权重根据输入帧或图像的特征自适应调整，增强融合算法的灵活性。

3.空间或通道注意力：根据图像的空间位置或通道特征进行注意力权重学习，关注特定区域或特征，提升融合效果。

循环神经网络

1.时序依赖性学习：利用循环神经网络（RNN）学习帧之间的时序依赖性，捕捉帧序列中动态变化的信息。

2.状态记忆：RNN内部的状态可以记忆历史帧的信息，用于更新融合权重和预测下一帧的权重。

3.序列建模：RNN可以对帧序列进行建模，考虑序列中的上下文信息，提高融合精度和鲁棒性。轻量级融合权重学习

在轻量级高效多帧融合算法中，轻量级融合权重学习是至关重要的组成部分，它旨在为每个帧分配一个权重，以平衡不同帧对融合结果的贡献。该算法使用一种优化策略，以数据驱动的方式学习最佳权重配置，从而提高融合性能。

权重学习过程

权重学习过程分为以下几个步骤：

1.初始化权重：首先，为每个帧随机初始化一个权重，范围通常为[0,1]。

2.计算融合结果：使用给定的初始化权重计算融合结果。

3.评估融合结果：使用指定的质量指标（例如，峰值信噪比或结构相似性）评估融合结果的质量。

4.更新权重：根据评估结果，使用优化算法（例如，梯度下降或粒子群优化）更新融合权重。目标是通过迭代优化过程，找到一组权重，使融合结果的质量达到最佳。

优化策略

常用的优化策略包括：

梯度下降：这是最常见的优化算法，它通过沿梯度负方向迭代权重来最小化损失函数。

粒子群优化（PSO）：PSO是一种群智能算法，其灵感来自于鸟群或鱼群的行为。它通过模拟粒子群体寻找最佳位置来更新权重。

遗传算法（GA）：GA是一种进化算法，其灵感来自于生物进化过程。它通过选择、交叉和变异操作来更新权重。

融合权重的特征

学习到的融合权重通常表现出以下特征：

动态性：随着视频序列的变化，融合权重会动态调整，以适应不同的帧特性。

帧依赖性：融合权重取决于帧之间的相似性、运动信息和内容权重。

鲁棒性：学习到的融合权重对噪声和异常值具有一定的鲁棒性，可以有效抑制不良帧对融合结果的影响。

计算效率：权重学习过程被设计为高效且轻量级，以满足实时视频融合的要求。

应用

轻量级融合权重学习已成功应用于许多计算机视觉任务中，包括：

视频超分辨率：通过组合多个低分辨率帧来生成高分辨率帧。

运动补偿：预测帧之间的运动，以提高视频压缩和传输效率。

视频去噪：通过融合多个帧来去除噪声和伪影。

视频目标跟踪：通过融合来自不同摄像头的帧来增强目标检测和跟踪性能。

结论

轻量级融合权重学习是轻量级高效多帧融合算法的关键组成部分。它通过数据驱动的方式学习最佳融合权重配置，从而提高融合性能、适应性、鲁棒性和计算效率。这种技术已在各种计算机视觉任务中得到成功应用，并有望在未来进一步推动视频处理和分析的发展。第二部分多帧融合图像增强关键词关键要点【多帧融合图像增强】：

1.多帧融合技术通过结合多张图像的互补信息，提高图像质量，增强图像细节和减少噪声。

2.多帧融合算法使用图像配准、特征提取、融合规则和图像重建等技术来整合图像数据。

3.多帧融合图像增强特别适用于遥感、医学成像、视频处理和计算机视觉等领域。

【多帧图像配准】：

多帧融合图像增强

多帧融合图像增强是一种图像处理技术，它通过将多张不同图像的优势部分融合在一起，生成一张质量更高的图像。相较于单帧图像，多帧融合图像具有以下优点：

1.噪声抑制

多帧图像中同一区域的像素通常表现出一定的相似性，而噪声分布则存在差异。通过融合多帧图像，可以对噪声进行有效抑制。

2.对比度增强

不同帧图像的对比度可能存在差异。通过融合，可以增强图像的对比度，突出局部细节。

3.动态范围扩展

多帧图像的曝光参数可能不同，导致动态范围受限。通过融合不同曝光的图像，可以扩展图像的动态范围，丰富细节信息。

4.运动模糊抑制

当拍摄运动场景时，图像可能存在运动模糊。通过融合多帧图像，可以利用图像间的冗余信息来抑制运动模糊，恢复清晰图像。

多帧融合算法

多帧融合算法通常分为以下几类：

1.平均法

平均法是最简单的一种多帧融合算法。它直接计算多帧图像的平均值，生成融合图像。平均法适用于噪声分布均匀的情况。

2.加权平均法

加权平均法对不同帧图像赋予不同的权重，并根据权重计算融合图像。权重的设定可以基于图像的清晰度、对比度等因素。

3.中值滤波法

中值滤波法计算多帧图像同一区域像素的中值，作为融合图像该区域的像素值。中值滤波法具有较好的去噪效果，但可能导致图像过平滑。

4.分层融合法

分层融合法将图像分割成多个层次，并在不同层次上分别进行融合。这种方法可以有效保留不同层次的图像信息。

5.变分法

变分法是一种优化方法，它将多帧融合问题转化为一个能量最小的优化问题。通过迭代求解，最终得到融合图像。变分法可以获得高质量的融合图像，但计算复杂度较高。

应用领域

多帧融合图像增强技术广泛应用于以下领域：

1.医学成像

增强医学图像的清晰度和信噪比，辅助疾病诊断。

2.遥感影像

融合不同波段和时间段的遥感影像，提高地物识别精度。

3.视频处理

抑制视频图像的噪声和运动模糊，提升视频质量。

4.摄影

生成高动态范围图像，扩展图像的视觉效果。

总之，多帧融合图像增强是一种有效的图像处理技术，它通过结合多张图像的优势部分，生成质量更高的图像，并广泛应用于图像增强、视频处理、遥感影像分析等领域。第三部分基于光流的帧对齐关键词关键要点基于光流的帧对齐

1.光流是一种描述图像序列中像素运动的向量场，用于检测和补偿图像之间的运动。

2.光流算法根据亮度恒定假设，将相邻帧中的像素对应起来，从而估计运动向量。

3.准确的光流估计对于帧对齐至关重要，可避免伪影和图像重叠错误。

鲁棒光流算法

1.鲁棒光流算法针对噪声、遮挡和光照变化具有抵抗力，可产生更准确的运动向量。

2.使用中值滤波器或随机抽样一致性（RANSAC）等方法可以增强鲁棒性。

3.先进的鲁棒算法利用深度学习技术，例如光流网络，通过端到端训练学习鲁棒性和准确性。

多分辨率光流

1.多分辨率光流算法分步估计运动向量，从低分辨率图像开始，逐步细化到高分辨率图像。

2.通过平滑和亚像素插值，多分辨率方法可以提高精度并减少计算成本。

3.随着图像分辨率的提高，多分辨率算法变得至关重要，因为它可以处理更大的运动和细节。

稠密光流

1.稠密光流算法估计图像中每个像素的运动向量，提供完整的运动场。

2.稠密光流对于视频分析、物体跟踪和图像配准至关重要。

3.最先进的稠密光流算法使用变分方法、全卷积神经网络（FCN）和生成对抗网络（GAN）。

光流正则化

1.光流正则化技术将先验知识和约束条件纳入光流估计过程中。

2.正则化可以平滑运动场、消除噪声并强制执行物理约束（例如刚性运动）。

3.正则化方法包括平滑项、梯度约束和高阶张量表示。

光流加速

1.光流估计通常是计算密集型的，尤其是在处理高分辨率图像时。

2.光流加速技术通过优化算法、使用并行计算和利用硬件加速器来提高效率。

3.最新进展包括基于深度学习的光流模型、流处理器和专用集成电路（ASIC）。基于光流的帧对齐

在轻量级高效多帧融合算法中，基于光流的帧对齐是关键的一步，通过光流估计技术，对输入的多帧图像进行匹配和对齐，为后续的融合处理做好准备。

光流估计

光流是一种计算机视觉技术，用于估计连续图像序列中的像素运动。它描述了图像中像素点从一帧到另一帧的运动矢量。光流估计算法通常基于亮度恒定假设，即图像中的像素在短时间内保持相同的亮度值。

光流估计方法

有多种光流估计方法，包括：

*基于梯度的方法：光流光学流（OF）是一种经典的基于梯度的方法，假设光流与图像梯度成正比。

*基于区域匹配的方法：块匹配方法将图像分割成小块，然后使用相似性度量在连续帧中匹配块。

*基于深度学习的方法：近年来，深度学习技术在光流估计中取得了显著进展。卷积神经网络（CNN）可以学习光流场，而无需复杂的假设。

帧对齐

基于光流估计，可以对多帧图像进行对齐。通常采用以下步骤：

1.光流计算：对连续两帧图像估计光流场。

2.运动补偿：使用光流场对目标帧应用反向运动补偿，使其与参考帧对齐。

3.区域融合：将运动补偿后的目标帧与参考帧融合，生成对齐的中间帧。

4.重复过程：对所有输入帧重复此过程，生成一组对齐的中间帧。

对齐效果评估

帧对齐的效果可以通过以下指标评估：

*像素移动误差：计算对齐帧中的像素与原始帧之间的移动距离。

*结构相似性指数（SSIM）：衡量对齐帧与原始帧之间的结构相似性。

*特征点误差：比较对齐帧和原始帧中的特征点匹配误差。

基于光流的帧对齐优势

基于光流的帧对齐具有以下优势：

*准确性：光流估计可以提供精确的运动矢量，从而实现准确的对齐。

*鲁棒性：光流估计算法通常对局部光照变化、遮挡和噪声具有鲁棒性。

*效率：现代光流估计算法具有较高的效率，可以实时处理图像序列。

应用

基于光流的帧对齐在多帧融合算法中广泛应用，包括：

*超分辨率：将多帧低分辨率图像融合成一幅高分辨率图像。

*运动模糊去除：通过对齐图像序列，去除因相机运动引起的运动模糊。

*视频稳定：稳定因相机抖动或运动引起的视频抖动。

结论

基于光流的帧对齐是轻量级高效多帧融合算法中至关重要的步骤。通过准确估计光流并对帧进行对齐，可以为后续的融合处理提供高质量的输入，从而提升融合图像的质量和视觉效果。第四部分高斯混合模型建模关键词关键要点【高斯混合模型建模】：

1.高斯混合模型（GMM）是一种概率模型，它将数据假设为多个高斯分布的混合物。

2.每个高斯分布由其均值和协方差矩阵描述，共同定义了数据的形状和位置。

3.GMM可以捕获数据中的复杂分布，并且可以通过迭代优化算法（例如期望最大化算法）进行拟合。

【贝叶斯推理机制】：

高斯混合模型建模

高斯混合模型（GMM）是一种概率模型，用于表示复杂的多模态数据分布。在图像处理和计算机视觉领域，GMM在背景建模和图像分割等任务中得到广泛应用。

GMM假设数据由多个高斯分布的混合组成，每个高斯分布对应一个子簇。模型通过以下公式表示：

其中，$x$是数据样本，$K$是高斯分布的个数，$w_k$是第$k$个高斯分布的权重（归一化因子为1），$\mu_k$和$\Sigma_k$分别是第$k$个高斯分布的均值向量和协方差矩阵。

GMM建模步骤

GMM建模通常涉及以下步骤：

1.初始化：确定高斯分布的个数$K$和初始参数，包括均值向量$\mu_k$、协方差矩阵$\Sigma_k$和权重$w_k$。

2.期望最大化（EM）算法：迭代执行以下两个步骤，直至模型收敛：

-E步：计算每个数据样本属于每个高斯分布的后验概率。

-M步：使用后验概率重新估计高斯分布的参数（均值、协方差和权重）。

3.参数选择：可以通过贝叶斯信息准则（BIC）或赤池信息准则（AIC）等方法确定最优的高斯分布个数$K$。

GMM在图像处理中的应用

GMM在图像处理中主要用于背景建模和图像分割。

背景建模：GMM可以通过学习图像序列中的背景像素分布来构建背景模型。它可以检测运动物体，因为运动物体通常具有与背景不同的分布。

图像分割：GMM可以将图像分割成不同的区域，每个区域对应图像中不同的对象或区域。通过使用GMM建模图像中不同像素点的分布，可以将具有相似分布的像素点分组到一起。

优势和局限性

GMM模型具有以下优势：

*可以表示复杂的多模态数据分布。

*在背景建模和图像分割等任务中表现良好。

*相对简单且易于实现。

GMM模型的局限性包括：

*对噪声敏感，噪声可能会影响模型的准确性。

*高斯分布的假设可能不适用于某些类型的数据。

*确定最佳的高斯分布个数$K$可能是困难的。

改进GMM模型

为了提高GMM模型的性能，可以使用以下改进方法：

*局部GMM：将图像划分为局部区域，并在每个局部区域内应用GMM。

*自适应GMM：动态调整GMM参数，以适应场景的变化。

*核密度估计：使用核函数来估计数据分布，而不是使用高斯分布。第五部分权重融合系数优化权重融合系数优化

轻量级高效多帧融合算法中的权重融合系数优化旨在确定最佳的融合系数，以最小化融合图像的失真度和最大化其信息内容。

1.基于局部对比度的优化

此方法基于局部对比度信息，权重系数与图像梯度幅度的平方根成反比。梯度幅度较高的区域表示边缘或纹理丰富区域，需要赋予更高的权重，而梯度幅度较低的区域则需要较低的权重。

2.基于局部方差的优化

此方法考虑局部区域内的方差信息。方差较高的区域表示纹理丰富，需要赋予更高的权重，而方差不高的区域则需要较低的权重。

3.基于局部信息熵的优化

信息熵度量图像中信息量的大小。此方法根据局部区域的信息熵来计算权重系数。信息熵较高的区域表示信息丰富，需要赋予更高的权重，而信息熵较低的区域则需要较低的权重。

4.基于局部相似度的优化

此方法利用图像块之间的局部相似度来计算权重系数。相似度越高的图像块，融合效果越好，因此需要赋予更高的权重。

5.基于局部空间频率的优化

此方法考虑图像块的局部空间频率。高频图像块包含更多细节，需要赋予更高的权重，而低频图像块则需要较低的权重。

6.基于局部运动估计的优化

此方法利用光流估计来检测图像块之间的运动。运动较大的图像块需要赋予更高的权重，以补偿运动造成的失真。

7.基于局部块匹配的优化

此方法使用块匹配算法来评估图像块之间的匹配程度。匹配程度较高的图像块需要赋予更高的权重，以增强匹配区域的细节。

8.基于局部纹理方向的优化

此方法考虑图像块的局部纹理方向。纹理方向一致的图像块需要赋予更高的权重，以增强纹理一致性。

9.基于局部边缘强度的优化

此方法使用边缘检测算法来检测图像块中的边缘。边缘强度较强的图像块需要赋予更高的权重，以增强边缘细节。

10.基于局部颜色直方图的优化

此方法利用局部颜色直方图来评估图像块之间的颜色相似度。颜色相似度较高的图像块需要赋予更高的权重，以增强颜色一致性。

权重融合系数优化算法通常采用了迭代策略，其中权重系数根据上述准则不断更新，直到达到最优融合效果。第六部分不同图像区域融合策略关键词关键要点【同类区域融合】

1.依据图像内容相似性，将图像划分为多个同类区域，在同类区域内进行融合。

2.采用局部直方图匹配或基于内容的图像分割算法划分同类区域。

3.融合时，对同类区域中的像素进行加权平均或其他融合策略，保留区域特征。

【边缘保护融合】

不同图像区域融合策略

在多帧融合算法中，对不同图像区域采用针对性的融合策略至关重要，以在保证图像质量的同时提高融合效率。以下介绍几种常用的图像区域融合策略：

1.基于权重的融合策略

基于权重的融合策略将不同图像像素分配权重，并根据权重对像素值进行融合。权重通常基于图像质量或相关程度，例如：

*像素置信度权重：根据像素在不同图像中的置信度分配权重，置信度较高的像素权重更大。

*相关性权重：根据像素与相邻像素的相关性分配权重，相关性较强的像素权重更大。

2.分层融合策略

分层融合策略将图像划分为不同层级，例如前景层、中间层和背景层。不同层级的图像区域采用不同的融合策略：

*前景层：通常采用基于权重的融合策略，重点保留细节和轮廓。

*中间层：可以采用基于权重的融合策略或基于变换的融合策略，兼顾质量和效率。

*背景层：通常采用基于变换的融合策略，以减少背景噪声和伪影。

3.基于边缘的融合策略

基于边缘的融合策略利用图像边缘信息来指导融合过程。通常包括以下步骤：

*边缘检测：检测图像中的边缘。

*边缘对齐：将不同图像中的边缘对齐。

*边缘融合：融合对齐后的边缘，以形成融合后的图像。

4.块匹配和融合策略

块匹配和融合策略将图像划分为小块，并采用块匹配算法寻找不同图像中相似度最高的块。相似块融合后生成融合图像：

*块匹配：使用相关性度量或其他相似性准则查找相似块。

*块融合：采用平均值、中值或加权融合等方法融合相似块。

5.基于学习的融合策略

基于学习的融合策略利用机器学习技术，训练模型以从不同图像中提取最佳信息进行融合。常见的模型包括：

*深度学习网络：使用卷积神经网络或生成对抗网络来融合图像。

*决策树：基于图像质量和相关性等特征构建决策树，以指导融合过程。

策略选择

选择合适的图像区域融合策略取决于具体应用场景和要求。以下是一些一般指导原则：

*对于需要高精度和细节保留的场景，可以使用基于权重的融合策略或基于学习的融合策略。

*对于需要更高效率的场景，可以使用分层融合策略或块匹配和融合策略。

*对于需要处理噪声和伪影的场景，可以使用基于边缘的融合策略或基于学习的融合策略。

总之，通过采用针对性的图像区域融合策略，多帧融合算法可以有效地提高融合图像的质量和效率，满足不同的应用需求。第七部分融合结果后处理关键词关键要点【融合后处理】

1.噪声去除：

-应用滤波技术（如中值滤波或维纳滤波）去除融合后的图像中的噪声和伪影。

-利用机器学习算法（如去噪自编码器）识别和抑制特定类型的噪声。

2.色彩校正：

-调整融合图像的色彩平衡和饱和度，以增强视觉效果和增强特征可见性。

-使用色彩变换算法（如直方图均衡化或伽马校正）对融合图像进行色彩空间调整。

3.边缘增强：

-应用边缘检测算法（如Sobel算子或Canny算子）提取融合图像中的边缘。

-增强边缘的对比度和锐度，以提高特征识别和图像分割的精度。

【图像平滑】

融合结果后处理

多帧融合算法得到的融合结果通常存在一定程度的噪声、模糊和伪影。为了获得更高质量的融合结果，需要进行后处理。

1.噪声去除

*中值滤波:取融合结果中一个像素点的周围邻域像素值的中值作为该像素点的输出值，有效抑制孤立噪声点。

*联合双边滤波:结合空间域滤波和范围域滤波，不仅考虑像素之间的空间距离，还考虑像素值之间的相似性，可以有效去除噪声同时保留图像边缘。

2.模糊处理

*图像锐化:增强图像边缘，改善图像清晰度。常用的锐化算法有拉普拉斯算子、Sobel算子和高通滤波。

*反卷积:将模糊图像视为线性滤波的结果，通过反卷积运算恢复清晰图像。

3.伪影消除

*孔洞填充:融合算法可能产生孔洞或空洞区域，需要通过孔洞填充算法进行修复。常用的方法包括形态学闭操作和局部插值。

*鬼影消除:多帧融合算法有时会产生鬼影伪影，可以通过帧对齐和运动补偿等技术消除。

4.对比度和色调调整

*对比度拉伸:扩大融合结果中像素值的动态范围，增强图像对比度。

*直方图均衡化:调整融合结果的直方图，使得图像中不同亮度级别的像素分布更为均匀。

5.边缘提取和融合

*Canny边缘检测:提取融合结果中的边缘信息，通过形态学操作去除伪边缘，保留关键边缘。

*边缘融合:将融合结果和边缘图融合在一起，增强图像边缘清晰度。

6.图像去雾

*暗通道先验:假设雾霾图像中每个像素点的暗通道值都接近于0，通过暗通道和大气光传输率估计雾霾参数，进而恢复清晰图像。

*导向滤波:利用邻域像素之间的相关性，通过导向滤波器去除雾霾。

7.图像增强

*伽马校正:调整融合结果的像素值，增强图像的亮度或对比度。

*色度增强:增强融合结果中特定颜色的饱和度和亮度。

8.其他后处理技术

*图像配准:将融合结果与参考图像配准，校正图像中的几何变形。

*图像叠加:将融合结果与其他图像或信息叠加在一起，丰富图像内容。

融合结果后处理是一个重要的步骤，通过应用上述技术，可以显著提升多帧融合算法的融合结果质量，获得更高清晰度、信噪比和视觉效果的图像。第八部分算法复杂度与性能分析关键词关键要点主题名称：计算复杂度分析

1.算法的时间复杂度主要取决于帧数和每个帧的图像尺寸。

2.多次双边滤波操作是主要时间消耗因素，其时间复杂度为O(n^2)，其中n为图像尺寸。

3.融合过程中的权重计算也需要一定的计算时间，时间复杂度为O(n^2)。

主题名称：内存开销分析

算法复杂度与性能分析

提出的轻量级高效多帧融合算法是一种基于子块的块匹配算法，其复杂度主要受以下因素影响：

1.感兴趣区域（ROI）的尺寸：算法对ROI中的每个像素执行块匹配，因此ROI的尺寸越大，复杂度就越高。

2.搜索范围：块匹配中的搜索范围决定了需要考虑的候选块的数量，搜索范围越大，复杂度就越高。

3.子块的数量：算法将每个块划分为多个子块，子块的数量影响计算量。

4.融合权重计算：算法使用权重平均法融合多帧图像，计算融合权重也需要时间。

5.帧数：算法处理的帧数越多，复杂度就越高。

算法复杂度：

算法的总复杂度为：

```

O(N*H*W*S*L*M)

```

其中：

*N：帧数

*H：ROI的高度

*W：ROI的宽度

*S：搜索范围

*L：子块的数量

*M：融合权重计算的复杂度

性能分析：

为了评估算法的性能，我们进行了以下实验：

1.运行时间分析：

我们使用不同尺寸的ROI和搜索范围测试了算法的运行时间。结果表明，运行时间随ROI尺寸和搜索范围的增加而增加。

2.PSNR和SSIM分析：

我们使用峰值信噪比(PSNR)和结构相似性指数(SSIM)评估了融合图像的质量。结果表明，算法能够有效提高融合图像的PSNR和SSIM值。

3.主观评价：

我们邀请了多位观察者对融合图像进行主观评价。观察者一致认为，算法融合的图像具有更高的清晰度和细节，并且减少了伪影。