作为军用夜视中最常用的两种图像,红外图像（IR）和可见光图像（VI）由于成像过程之间的物理差异而具有各自的优势和局限性。红外图像捕捉一个场景中物体的热辐射,可以用来发现目标,因此红外成像可以提供清晰的对比度信息,以便在任何照明条件下区分目标对象和背景信息,这有助于在很大程度上解决在夜间观察遇到的光照不足等问题;然而,红外成像中的细节信息并不丰富。相比之下,可见光图像的纹理细节更加丰富,而且更有助于人类的视觉观察;但是,可见光图像的缺点是在夜间或光照条件差的情况下的成像对比度低,效果不好。由于单独使用红外图像和可见光图像或多或少存在一些问题,所以图像融合技术非常必要,通过把可见光图像与红外图像融合为一张图像,使最终得到的图像在对比度和纹理细节方面都具有明显的优势。图像融合技术最重要的步骤是从原始的输入图像中提取出最重要的特征信息,然后把这些特征信息融合到一张图片中,对于红外和可见光图像,最重要的信息分别是明显的对比度信息和丰富的纹理细节信息,因此,融合后的图像应该同时包含这两种信息。近年来,深度学习方法被广泛地应用于红外和可见光图像的融合任务,尽管现有的方法取得了不错的效果,但也有一些不容忽视的不足。在现有的方法中,很难在保持所有源图像信息方面取得良好的平衡。为处理上述问题,本文提出了一个基于生成对抗网络（GAN）和注意力模块（SE）的融合网络,即DDGANSE。通过DDGANSE网络可以在一个生成器与两个判别器之间建立对抗训练,生成器的目标是得到与输入的源红外图像和源可见光图像尽可能接近的图像,并包含来自红外源图像和可见光源图像中的主要特征信息,而这两个判别器的目标是通过不断的对抗训练,来进一步提升生成器所得到的图像的品质,使最终得到的融合图像尽可能包含红外图像和可见光图像的特征信息。在此基础上,为了进一步提高融合图像的质量,本文还使用了超像素的方法对源红外图像和源可见光图像进行预处理,本文所做的工作有:第一,本文采用一个双判别器GAN进行图像融合,通过GAN的对抗特性,使融合后的图像保留红外线图像的高对比度信息,以及可见光图像的丰富的细节信息。我们将源红外图像和源可见光图像作为真实数据输入判别器网络与融合后的图像进行对比,以提高融合图像的质量。第二,在生成器中加入了挤压与激励的注意力模块,即SE模块,这有助于通道之间相关性的学习,帮助提高融合网络的性能,在此基础上,在生成器中加入密集连接,这有助于实现特征重用,解决梯度消失的问题。第三,我们设计了一个特定的损失函数,包括两部分LG和LD。生成器损失函数整合了传统的损失,进一步增强了生成器的约束性。同时,判别器损失更注重原始图像和融合图像之间的相似度,LD有两个部分,分别是LDi和LDV;其中,LDi损失函数通过对抗训练提高融合图像的对比度信息,LDV损失函数则可以进一步丰富融合图像的细节信息。本文设计的损失函数对于从源红外和源可见光图像中获得更多的信息至关重要,包括明显的对比度信息和丰富的纹理细节信息。第四,在TNO数据集上测试了本文提出的方法:基于GAN和SE模块的红外图像和可见光图像的融合网络,我们得到了SSIM（structural similarity index）0.86,PSNR（peak signal-to-noise ratio）19.60,EN（entropy）7.09,SCD（sum of the correlations of differences）1.79,CC（correlation coefficient）0.52,和SD（standard deviation）0.13的结果。此外,我们进行了对网络时间复杂度的计算,通过实验清楚地表明,与其他现有的融合方法相比,我们提出的融合网络具有显著的优势,所生成的融合图像的质量高于其他现有的方法,同时,在融合结果和复杂度计算方面达到了更好的平衡。最后,利用超像素方法对源红外图像和源可见光图像进行预处理,利用超像素统计特性中的标准差计算得到对比度图Map,然后送入DDGANSE网络进行实验,在TNO数据集上的实验表明,通过超像素预处理后DDGANSE网络得到的融合图像,其质量有了进一步的提升。