av直播

近日，av直播-成人av直播网 叶沅鑫教授课题组在多模态图像匹配研究方面取得新进展，论文“Radiation, Rotation and Scale Invariant Feature Descriptor for Multimodal Image Matching”发表于国际人工智能期刊Information Fusion（影响因子17.4）。叶沅鑫教授为论文第一作者，av直播-成人av直播网 为第一署名单位。

多模态图像匹配旨在为不同传感器获取的图像建立对应关系，是多源信息融合的重要基础。光学、红外和合成孔径雷达（SAR）图像能够提供互补信息，但成像机理差异使同一地物呈现不同外观，叠加旋转与尺度变化后，准确对齐更加困难。针对这一问题，研究团队提出辐射、旋转与尺度不变特征描述子RRSI，并构建多模态图像匹配框架。

该方法设计双头区域采样模块，在关键点邻域并行进行笛卡尔采样与对数极坐标采样，兼顾局部结构细节和对旋转、尺度变化的适应能力；通过注意力机制融合图像内部、双采样分支及跨模态特征，增强共同结构的表达；在训练阶段引入双向跨模态生成重构约束，利用另一模态的局部结构引导特征学习。重构分支在推理时移除，因此该约束不增加推理阶段的参数量与计算开销。

图1 基于RRSI描述子的多模态图像匹配框架

实验结果表明，RRSI在LLVIP、DroneVehicle和OSdataset三个数据集上的AUC@10px（10像素阈值内匹配成功率曲线下面积）分别达到73.10%、74.70%和67.83%，均为所比较方法中的最高值。在论文测试设置下，该方法可应对0°至360°旋转和最高4倍尺度变化，并在计算机视觉、遥感及医学图像的补充实验中验证了泛化能力。进一步的可见光—红外融合实验表明，改善空间对齐有助于提升下游融合质量，为多源图像协同分析提供了技术支撑。

图2 RRSI在不同模态影像上的配准结果

从左至右为LLVIP、DroneVehicle和OSdataset数据集

为考察跨领域适用性，研究团队将仅在光学—SAR数据上训练的模型，直接用于计算机视觉、遥感及医学图像匹配，无需额外训练或微调。在涵盖上述领域的多模态图像上，整体均方根误差RMSE超越国际先进方法。实验表明，该方法能够适应多种未参与训练的模态组合，为跨传感器、跨领域图像分析提供方法参考。

图3 RRSI在计算机视觉、遥感及医学图像上的匹配结果

Information Fusion（Elsevier）是人工智能与信息融合领域国际顶刊，影响因子 17.4。期刊引领多传感器、多源信息融合方向发展，重点刊发体系架构、核心算法与前沿应用成果，覆盖数据图像融合、特征融合、决策融合、复杂环境下融合学习等方向，强调理论突破与落地应用并重，支撑遥感、机器人、生物医学、交通等重大领域，是本领域顶尖成果发布与高水平国际学术交流核心阵地。

论文详细信息：

YE Yuanxin, TANG Tengfeng, PENG Tao, HAN Zhiqiang, LI Jiayuan, WANG Mi. Radiation, Rotation and Scale Invariant Feature Descriptor for Multimodal Image Matching[J]. Information Fusion.

DOI: 10.1016/j.inffus.2026.104903

在线论文：//www.sciencedirect.com/science/article/pii/S1566253526007797

一审一校：叶沅鑫

二审二校：曹云刚

三审三校：赵晓彦