Atendendo às demandas atuais de fusão de imagens infravermelhas e visíveis impulsionadas por instruções de texto abertas, este artigo propõe uma estrutura de fusão de imagens infravermelhas-visíveis baseada na decomposição de bandas aprendível e em um módulo de controle guiado por texto. Por meio do modelo pré-treinado de linguagem-imagem contrastiva (Contrastive Language-Image Pre-training, CLIP) e do modelo universal de segmentação baseado em prompts de texto (Grounded Segment Anything Model, Grounded SAM), constrói-se de forma colaborativa um módulo de alinhamento texto-imagem que associa precisamente o conhecimento semântico prévio do texto com regiões locais da imagem. Um módulo dedicado de decomposição de bandas aprendível é projetado para extração de características bimodais, separando adaptativamente a base de baixa frequência que representa a estrutura geral e os detalhes de alta frequência que descrevem as texturas finas. Em seguida, projeta-se um módulo de fusão com controle sensível ao texto, que realiza um ajuste espacial adaptativo dos pesos de contribuição das modalidades infravermelha e visível. Constrói-se uma função de perda com múltiplas restrições que inclui termos cruciais como fidelidade do gradiente e regularização do mapa de controle, garantindo explicitamente a integridade estrutural dos resultados da fusão e a consistência semântica textual. Resultados experimentais mostram que, no conjunto de dados LLVIP, os indicadores relacionados ao texto da rede proposta, índice de melhoria da preservação de bordas (Qabf+) e índice de melhoria da similaridade estrutural (SSIM+), aumentam em 0,0705 e 0,0364 respectivamente, em comparação ao Textfusion. Os indicadores comuns de fusão de imagem, informação mútua (MI) e relação sinal-ruído de pico (PSNR) aumentam em 1,5164 e 1,7566 dB, enquanto a precisão média (mAP@50-95) em tarefas de detecção de objetos com limiares de IOU de 0,5 a 0,95 melhora em 0,9%. No processo de fusão real, o texto pode efetivamente guiar a geração da fusão de imagens, cumprindo essencialmente o objetivo de fusão de imagens controlado semanticamente.

fusão de imagens;orientação por texto;imagem infravermelha;imagem visível;decomposição de bandas