退化鲁棒融合：任意退化场景中多模态图像融合的高效退化感知扩散框架

噪声、模糊和低分辨率等复杂的退化是现实世界图像融合任务中的典型挑战，限制了现有方法的性能和实用性。基于端到端神经网络的方法通常设计简单且推理效率高，但其黑盒性质导致可解释性有限。基于扩散的方法通过提供强大的生成先验和更加结构化的推理过程，在一定程度上缓解了这一问题。然而，它们被训练来学习单域目标分布，而融合缺乏自然的融合数据，并且依赖于对来自多个来源的互补信息进行建模，使得扩散很难直接应用于实践。为了应对这些挑战，本文提出了一种有效的退化感知扩散框架，用于任意退化场景下的图像融合。具体来说，我们的方法不是像传统扩散模型那样显式预测噪声，而是通过直接回归融合图像来执行隐式去噪，从而能够以有限的步骤灵活适应复杂退化下的各种融合任务。此外，我们设计了一种联合观测模型校正机制，在采样过程中同时施加退化和融合约束，以确保较高的重建精度。不同融合任务和退化配置的实验证明了该方法在复杂退化场景下的优越性。