W2F：视觉-语义协同的多模态图像融合方法

论文提出 W2F，一种面向多模态图像融合（MMIF）的视觉-语义相互增强范式，旨在弥合视觉域与语义域之间的优化差距。方法包含分割引导融合损失、嵌入信息恢复先验、交互门控混合注意力（IGM-Att）与渐进耦合注意力（PC-Att），并通过特征搜索模块与梯度校正策略耦合视觉融合和语义融合。实验显示 W2F 在视觉吸引力与决策准确率上超越现有最先进方法，代码已公开。