Registration dataset

1. 从[Registered dataset](https://drive.google.com/drive/folders/1oFTP-aMRJ_IlSP-vdXHi_lacEJskDbOA?usp=sharing)下载数据集。2. 解压文件到dataset文件夹。3. 红外和可见光图像融合数据集的目录结构为：Registration Dataset├─ dataset│ ├─ ir│ │ ├─ img1.png│ │ ├─ ......│ ├─ vi│ │ ├─ img1.png│ │ ├─ ......├─ ......1. 从[已注册数据集（Registered dataset）](https://drive.google.com/drive/folders/1oFTP-aMRJ_IlSP-vdXHi_lacEJskDbOA?usp=sharing)下载该数据集。 2. 将下载的压缩文件解压至dataset文件夹中。 3. 该红外与可见光图像融合数据集的目录结构如下： Registration Dataset ├─ dataset │ ├─ ir │ │ ├─ img1.png │ │ ├─ …… │ ├─ vi │ │ ├─ img1.png │ │ ├─ …… ├─ ……

原始信息汇总

FusionRegister 数据集概述

数据集名称

FusionRegister

数据集用途

该数据集用于红外与可见光图像融合任务中的图像配准。

数据集内容与结构

• 数据来源：数据集可从 Registered dataset 下载。

• 数据类型：包含红外图像和可见光图像。

• 目录结构：解压后，数据应组织为以下结构：

  Registration Dataset ├─ dataset │ ├─ ir │ │ ├─ img1.png │ │ ├─ ...... │ ├─ vi │ │ ├─ img1.png │ │ ├─ ...... ├─ ......

关联模型

预训练模型可从 google drive 下载，包含三个版本：

• fr.pth：为 MMDRFuse (ACMM 24) 训练的主版本。
• fr_hcl.pth：为 HCLFuse (NeurIPS 25) 训练的附加版本。
• fr_s4.pth：为 S4Fusion (TIP 25) 训练的附加版本。

测试与训练

• 测试：支持对 MMDRFuse、S4Fusion 和 HCLFuse 三个版本进行测试，需准备测试数据集并运行相应脚本。
• 训练：训练代码基于 MISCFilter，需准备训练数据集并运行训练脚本。

引用

如使用该代码或预训练模型，请考虑引用相关论文：

@misc{bian2026fusionregisterinfraredvisibleimage, title={FusionRegister: Every Infrared and Visible Image Fusion Deserves Registration}, author={Congcong Bian and Haolong Ma and Hui Li and Zhongwei Shen and Xiaoqing Luo and Xiaoning Song and Xiao-Jun Wu}, year={2026}, eprint={2603.07667}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2603.07667}, }

搜集汇总

数据集介绍

构建方式

在红外与可见光图像融合领域，数据集的构建往往面临配准精度不足的挑战。Registration dataset通过系统化的数据采集与处理流程，构建了一个专门用于图像配准任务的数据集。该数据集从公开来源下载并解压后，按照红外图像与可见光图像分别存放于独立文件夹的结构进行组织，确保了数据的一致性与可访问性。这种结构化的构建方式为后续的模型训练与评估提供了清晰的数据基础，支持了多模态图像对齐研究的深入发展。

特点

该数据集的核心特点在于其专门针对红外与可见光图像对的配准需求而设计。数据集中的图像对经过预处理，确保了在空间对齐上的初步一致性，为高级配准算法的开发与验证奠定了基础。其结构清晰，将红外与可见光图像分置于不同目录，便于模型在训练和测试时高效读取与处理。此外，该数据集与多个前沿图像融合模型兼容，如MMDRFuse、HCLFuse和S4Fusion，体现了其在多模型验证与跨任务应用中的广泛适用性。

使用方法

使用该数据集时，需首先从指定链接下载并解压文件，按照要求的目录结构放置数据。在模型测试阶段，用户需根据所选融合模型版本调整测试脚本中的输入路径与权重文件参数，运行相应命令即可生成配准后的融合结果。对于训练任务，需准备训练数据并修改训练脚本中的相关配置，支持从预训练权重微调或从头开始训练。整个过程依托PyTorch框架实现，确保了方法的高效性与可复现性，为图像融合与配准研究提供了便捷的实验平台。

背景与挑战

背景概述

在计算机视觉领域，红外与可见光图像融合技术旨在整合不同模态的互补信息，以增强场景感知能力。Registration dataset作为FusionRegister研究项目的核心数据资源，由Congcong Bian等研究人员于2026年构建，并伴随CVPR会议论文发布。该数据集专注于解决多模态图像配准与融合中的对齐问题，通过提供精确配对的红外与可见光图像对，为提升融合模型的几何一致性奠定了数据基础。其出现推动了跨模态视觉任务的发展，尤其在自动驾驶、军事侦察等实际应用中展现出重要价值。

当前挑战

该数据集致力于应对红外与可见光图像融合领域的关键挑战，即模态间因成像原理差异导致的几何错位与特征不对齐问题，这直接影响融合图像的质量与后续分析可靠性。在构建过程中，研究人员需克服数据采集的复杂性，包括不同传感器的时间同步、空间校准以及环境光照变化带来的干扰。此外，确保大规模图像对的高精度配准标注，需要耗费大量人工与计算资源，同时维持数据多样性与真实性亦构成显著挑战。

常用场景

经典使用场景

在计算机视觉领域，红外与可见光图像融合技术旨在整合不同模态的互补信息，而Registration数据集为此类研究提供了核心支撑。该数据集专门用于训练和评估图像配准模型，确保融合前红外与可见光图像在空间上精确对齐，从而提升融合质量。其经典使用场景包括多模态图像配准算法的开发与验证，研究者通过该数据集能够系统性地测试配准精度，为后续融合任务奠定基础。

解决学术问题

Registration数据集主要解决了多模态图像融合中因未对齐导致的伪影和信息丢失问题。在学术研究中，红外与可见光图像常因传感器差异或拍摄条件不同而产生空间错位，直接融合会引入噪声，降低结果的可信度。该数据集通过提供成对配准的图像，使研究者能够开发鲁棒的配准算法，有效消除几何失真，从而推动融合模型在特征对齐方面的理论进展，增强了多模态视觉任务的科学严谨性。

衍生相关工作

基于Registration数据集，已衍生出多项经典研究工作，如MMDRFuse、HCLFuse和S4Fusion等先进融合模型。这些工作利用数据集的配准基础，进一步优化了融合网络的性能，其中MMDRFuse专注于多模态动态表示，HCLFuse引入层次对比学习，而S4Fusion则探索了结构化稀疏融合策略。这些衍生模型不仅在学术会议上发表，还推动了红外与可见光图像融合技术的多样化发展，形成了持续创新的研究脉络。