Devido aos diferentes mecanismos de formação de imagens infravermelhas e visíveis, os algoritmos tradicionais de correspondência apresentam baixa precisão e baixa robustez. Propõe-se um algoritmo de correspondência de imagens visíveis e infravermelhas baseado em CycleGAN-SIFT. Para reduzir o impacto das diferenças características entre imagens visíveis e infravermelhas nos resultados da correspondência, utiliza-se o aprendizado por transferência compartilhando pesos para gerar imagens falsas de infravermelho com CycleGAN a partir de imagens visíveis e infravermelhas, extraindo pontos característicos das imagens falsas e reais usando o algoritmo SIFT para correspondência. Para diminuir a taxa de correspondência incorreta, utiliza-se o RANSAC para eliminar pares de pontos mal correspondidos. Por fim, os pontos característicos da imagem infravermelha falsa são mapeados para a imagem visível, realizando a correspondência entre imagens visíveis e infravermelhas. Para validar a eficácia do algoritmo proposto, foram selecionados 4 conjuntos de imagens heterogêneas dos conjuntos de dados OTCBVS e TNO Image Fusion Dataset, e comparados com quatro algoritmos clássicos SIFT, Canny-SIFT, SURF e CMM-Net sob três condições: sem ruído, com ruído e com distorção angular. Os resultados experimentais mostram que, sem considerar distorção angular e interferência de ruído, a taxa correta de correspondência do algoritmo proposto alcança mais de 95 %; quando há distorção angular e interferência de ruído, a taxa de correspondência correta ainda permanece acima de 95 %, apresentando alta precisão e robustez.

correspondência de imagens; imagens heterogêneas; rede adversarial generativa cíclica; características invariantes à escala; algoritmo de consenso de amostragem aleatória