图像融合的最近进展和质量改进Cyber-Physical系统

多源视觉信息融合和质量改进可以帮助机器人系统感知现实世界中,图像融合是一个计算技术来自多个传感器的多源图像融合成一个合成图像,提供全面的或可靠的描述,和质量改进技术可用于解决低质量图像分析任务的挑战。目前,很多brain-inspired算法方法(或模型)积极提出完成这两个任务,以及人工神经网络已经成为最受欢迎的技术处理图像融合和质量改进技术在过去十年中,尤其是深卷积神经网络。这是一个令人兴奋的研究领域对图像融合的研究社区和有许多有趣的问题仍有待探讨,如深few-shot学习、无监督学习,体现了神经系统的应用和工业应用。

如何开发一个良好的生物神经网络和嵌入式系统提取源图像的多个特征基本上是两个关键领域的问题,需要解决图像融合和质量改进。因此,在这个领域的研究可以分为两个方面:首先,新的端到端神经网络模型在图像融合过程中合并组成部分;第二,体现人工神经网络的图像处理系统。此外,当前蓬勃发展的技术,包括深神经系统和体现人工智能系统,被认为是潜在的未来趋势加强图像融合的性能和质量改进。

本研究课题的重点是新思想、模型、方法和应用人工神经网络和嵌入式系统的图像融合和质量改进。我们欢迎所有专业大挑战,角度来看,简短的研究报告,原始研究的文章和评论。主题是调查可能包括,但不限于:

神经网络模型和技术:
可以卷积神经网络的图像融合和质量改进
生成敌对的网络图像融合和质量改进
神经动力的分析图像融合和质量改进
则将图像融合系统和质量改进
模糊神经网络的图像融合和质量改进
图像质量评价图像融合和质量改进
仿生机器人系统的图像融合和质量改进


特征提取和融合策略:
基于深层神经网络图像特征提取
低质量的图像处理的特征提取
图像融合的智能Sensing-based决策支持系统
特征表示图像融合方法和质量改进
多级特征融合图像融合和质量改进
在神经网络的图像融合策略
机器人系统的自适应图像融合策略

技术在现实世界的应用程序:
医疗机器人视觉的低质量的图像
图像分析应用程序使用图像融合和质量改进
嵌入式学习系统使用图像融合和质量改进
实时图像融合系统和质量改进
系统对芯片的图像融合和质量改进
模型加速度图像融合和质量改进
轻量级的图像融合和质量改进机器人系统的技术