複雑な交通シナリオにおける照明変化とクロスモーダル干渉による自動運転認識能力の劣化問題に対処するため、信頼性適応誘導に基づく赤外線と可視光画像の融合ネットワークを提案する。本手法はピクセルレベルの信頼性評価メカニズムを構築し、構造的一致性と強度異常を共同でモデル化して信号源の信頼度を動的に評価する。グローバルレベルでは「信頼注入」戦略により強度分布を補正し、詳細レベルでは適応的誘導フィルタリングを利用して顕著なターゲットとテクスチャの競合的強化を実現し、複数制約の損失関数を組み合わせて協調的最適化を行う。M3FDおよびRoadSceneデータセットでの実験結果は、DWT、GTF、U2Fusion、Umcfuseなどの主流アルゴリズムと比較して、本手法が情報エントロピー、標準偏差、空間周波数、平均勾配、相互情報、融合品質、エッジ強度および視覚情報忠実度をそれぞれ平均1.51％、16.56％、42.36％、52.24％、38.28％、80.51％、21.4％、17.6％向上させ、下流の物体検出タスクにおける平均精度は91.4％で他の融合手法を上回ることを示している。本手法はアーティファクトやノイズを効果的に抑制し、優れたシーン一般化能力と安定性を備え、自動運転システムの環境認識精度を大幅に向上させる。

画像融合; 赤外線と可視光; 信頼性適応誘導; クロスモーダル構造的一致性; 信頼注入; 自動運転認識