在这篇博客中，主要是收集到一些图像融合框架中引入Transformer结构的文章，提供给大家参考学习，目前图像融合领域引入Transformer结构的文章比较少（我所看到的比较少，也看可能我看的比较少？），主要作用就是把它作为一种提取特征的方式，或者说更倾向于long-range dependencies的建立。Transformer引入到图像融合领域的时间并不长，大部分文章都是2020-2022发出的，所有并没有统计发表年份。至于是具体是哪个会议或者期刊发表的并没有标注，有兴趣可以自己去查查。
Transformer 主要是通过自注意力学习图像斑块之间的全局空间关系。 自注意力机制致力于建立long-range dependencies，从而在浅层和深层中更好地利用全局信息，所以 Transformer 的使用就是解决长序列问题的一个好方法。在 CV 领域中常用的就是 CNN，它可以提取本地的特征，因为每次卷积就是提取该卷积下的特征图，在局部信息的提取上有很大优势，但无法关注图像的长期依赖关系，阻碍了复杂场景融合的上下文信息提取。所以， Transformer 的引入主要解决这个问题。
下面这个思维导图从单任务和多任务的角度进行设计的，简单看看吧！！！
下面这个表格是论文的名称，以及在网络结构上进行了总结。
| CNN+Transformer结构 | ||
| 文章 | 类型 | 代码 |
| Image Fusion Transformer | VIF | 文中提供了代码链接 |
| MFST: Multi-Modal Feature Self-Adaptive Transformer for Infrared and Visible Image Fusion | VIF | |
| DNDT: Infrared and Visible Image Fusion Via DenseNet and Dual-Transformer | VIF | |
| TransMEF: A Transformer-Based Multi-Exposure Image Fusion Framework using Self-Supervised Multi-Task Learning | MEF | 文中提供了代码链接 |
| TransFuse: A Unified Transformer-based Image Fusion Framework using Self-supervised Learning | Unified Framework | 文中提供了代码链接 |
| TGFuse: An Infrared and Visible Image Fusion Approach Based on Transformer and Generative Adversarial Network | VIF | |
| SwinFusion: Cross-domain Long-range Learning for General Image Fusion via Swin Transformer | Unified Framework | 文中提供了代码链接 |
| CGTF: Convolution-Guided Transformer for Infrared and Visible Image Fusion | VIF | |
| Pure Transformer结构（这两篇都是预训练模型做的） | ||
| SwinFuse: A Residual Swin Transformer Fusion Network for Infrared and Visible Images | VIF | 文中提供了代码链接 |
| PPT Fusion: Pyramid Patch Transformer for a Case Study in Image Fusion | Unified Framework | |
上述论文的实验部分都是比较的卷积方法或者传统方法，并没有比较到使用到Transforme的模型，所以他们之间的是啥情况，那就不清楚了，没刻意去比较过，有兴趣可以去比较比较。That thing is not sure！！！
思考：怎么把Tranformer合理的引入到CNN结构中进行图像融合以及如何真正地将Transformer用到图像融合融合中（完全使用Transformer去构建图像融合模型） ？？？
目前，只收集到这些文章。。如有错误，希望大家看到后及时在评论区留言！！！
另外，如果想更多的关注图像融合领域相关的知识，大家可以关注以下优秀的博主：
1：部分基于深度学习的红外与可见光图像融合模型总结 – 知乎 (zhihu.com)
2：(7条消息) 红外和可见光图像融合论文及代码整理_Timer-419的博客-CSDN博客_图像融合论文
希望对大家有帮助，欢迎大家补充！！！
文章出处登录后可见！
