Для решения проблемы ухудшения возможностей восприятия автономного вождения, вызванной изменениями освещения и межмодальным помехам в сложных дорожных сценариях, предложена сеть слияния инфракрасных и видимых изображений на основе адаптивного управления надежностью. Метод основан на построении механизма оценки надежности на уровне пикселя, совместном моделировании структурной стабильности и аномалий интенсивности для динамической оценки доверия к источнику сигнала. На глобальном уровне используется стратегия «доверенного внедрения» для корректировки распределения интенсивности, на детальном уровне — адаптивная направляющая фильтрация для конкурентного усиления заметных объектов и текстуры, а также многограничная функция потерь для совместной оптимизации. Экспериментальные результаты на наборах данных M3FD и RoadScene показывают, что предложенный метод превосходит такие популярные алгоритмы, как DWT, GTF, U2Fusion и Umcfuse по показателям информационной энтропии, стандартного отклонения, пространственной частоты, среднего градиента, взаимной информации, качества слияния, интенсивности краев и визуальной достоверности с улучшениями в среднем на 1,51 %, 16,56 %, 42,36 %, 52,24 %, 38,28 %, 80,51 %, 21,4 % и 17,6 % соответственно; средняя точность при последующих задачах обнаружения объектов достигает 91,4 %, превосходя другие методы слияния. Метод эффективно подавляет артефакты и шум, обладает отличной обобщающей способностью и устойчивостью к различным сценариям, значительно повышая точность восприятия окружающей среды в системах автономного вождения.

слияние изображений; инфракрасные и видимые изображения; адаптивное управление надежностью; структурная согласованность между модальностями; доверенное внедрение; восприятие при автономном вождении