• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    紅外與可見光圖像注意力生成對抗融合方法研究

    2022-02-23 06:59:06武圓圓王志社王君堯邵文禹陳彥林
    紅外技術(shù) 2022年2期
    關(guān)鍵詞:尺度紅外卷積

    武圓圓,王志社,王君堯,邵文禹,陳彥林

    〈圖像處理與仿真〉

    紅外與可見光圖像注意力生成對抗融合方法研究

    武圓圓,王志社,王君堯,邵文禹,陳彥林

    (太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院,山西 太原 030024)

    目前,基于深度學(xué)習(xí)的融合方法依賴卷積核提取局部特征,而單尺度網(wǎng)絡(luò)、卷積核大小以及網(wǎng)絡(luò)深度的限制無法滿足圖像的多尺度與全局特性。為此,本文提出了紅外與可見光圖像注意力生成對抗融合方法。該方法采用編碼器和解碼器構(gòu)成的生成器以及兩個判別器。在編碼器中設(shè)計了多尺度模塊與通道自注意力機(jī)制,可以有效提取多尺度特征,并建立特征通道長距離依賴關(guān)系,增強(qiáng)了多尺度特征的全局特性。此外,構(gòu)建了兩個判別器,以建立生成圖像與源圖像之間的對抗關(guān)系,保留更多細(xì)節(jié)信息。實驗結(jié)果表明,本文方法在主客觀評價上都優(yōu)于其他典型方法。

    圖像融合;通道自注意力機(jī)制;深度學(xué)習(xí);生成對抗網(wǎng)絡(luò);紅外圖像;可見光圖像

    0 引言

    可見光圖像具有豐富的細(xì)節(jié)信息,易于判讀,但是其對良好的光照條件和天氣情況有較強(qiáng)的依賴性;紅外圖像反映目標(biāo)與背景的輻射特性,紅外輻射透過霾、霧及大氣的能力比可見光強(qiáng),它可以克服部分視覺上的障礙而探測到目標(biāo),具有較強(qiáng)的抗干擾能力,但目標(biāo)的結(jié)構(gòu)特征和紋理信息缺失。紅外與可見光圖像融合,使融合圖像既具有紅外圖像的輻射特性,又具有可見光圖像的結(jié)構(gòu)特征和紋理信息,有利于人眼的觀察和后續(xù)圖像處理,在遙感探測、醫(yī)療診斷、智能駕駛、安全監(jiān)控等方面具有廣泛應(yīng)用[1]。

    目前紅外與可見光圖像融合方法包括傳統(tǒng)融合方法與基于深度學(xué)習(xí)的融合方法[2-3]。傳統(tǒng)的融合方法包括:基于多尺度變換的融合方法[4]、基于稀疏表示的融合方法[5]、基于顯著性的融合方法[6]、基于混合模型的融合方法[7]等。其中,多尺度變換融合方法利用圖像變換模型對源圖像進(jìn)行分解,再利用特定的融合規(guī)則合并不同尺度的特征,重構(gòu)得到最終融合圖像。稀疏表示方法利用多尺度變換分析字典或在線學(xué)習(xí)構(gòu)造學(xué)習(xí)字典,其在一定程度上改進(jìn)了多尺度融合方法,提高了融合效果。顯著性方法可以很好地評判圖像重要信息,使保留顯著的圖像特征,通常包含兩種方式,即基于顯著區(qū)域提取的圖像融合和基于權(quán)重計算的圖像融合[8]?;旌夏P吐?lián)合多種模型的優(yōu)點,克服單一模型缺陷,提高融合效果,常用的混合模型包括基于多尺度和稀疏方法的混合模型[7,9-10]、基于顯著性和多尺度的混合模型等[11]。目前這些傳統(tǒng)融合方法已經(jīng)取得了一定的成果,但此類方法通常采用固定的數(shù)學(xué)模型提取圖像特征,對模型敏感的特征才可以被有效提取。而不同源圖像成像特性不同,圖像特征復(fù)雜多變,固定的變換模型無法提取圖像全面的特征信息。此外融合過程計算復(fù)雜且需要根據(jù)先驗知識確定分解方法和融合規(guī)則,具有較大的局限性。因此,基于深度學(xué)習(xí)的融合方法廣泛應(yīng)用于紅外與可見光圖像融合領(lǐng)域,該方法可以有效挖掘圖像復(fù)雜特征,克服了傳統(tǒng)算法缺乏學(xué)習(xí)特征能力的缺陷。其包括基于卷積神經(jīng)網(wǎng)絡(luò)的圖像融合與基于生成對抗網(wǎng)絡(luò)的圖像融合兩部分[12]。其中,Liu等[13]通過卷積神經(jīng)網(wǎng)絡(luò)獲取決策圖整合紅外圖像與可見光圖像的像素活動信息,該方法不需要考慮融合規(guī)則的設(shè)計與權(quán)重分配問題,但其特征提取能力有限。Li等[14]利用卷積核自動提取圖像復(fù)雜特征,克服了之前單一模型只能提取圖像敏感特征的局限性,但該方法是單輸入單輸出過程,故特征融合時需要設(shè)計復(fù)雜的融合規(guī)則或者使用現(xiàn)存的單一融合規(guī)則進(jìn)行特征合并,而無法實現(xiàn)端對端的過程。新近,一些學(xué)者利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了紅外與可見光圖像端到端的融合,并取得良好的效果[15-17]。但紅外與可見光圖像融合方法是多輸入單輸出的過程,它沒有標(biāo)準(zhǔn)的融合圖像監(jiān)督網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的過程,因此,生成對抗思想的引入,實現(xiàn)有監(jiān)督的圖像融合過程。生成對抗融合方法利用生成損失函數(shù)控制生成器保留源圖像的特征信息,再利用生成器與判別器之間的對抗損失使融合圖像獲取源圖像更多細(xì)節(jié)信息,提高融合質(zhì)量,如FusionGAN[18],首次將生成對抗思想引入圖像融合領(lǐng)域,獲得較好的融合效果,它利用卷積神經(jīng)網(wǎng)絡(luò)搭建端對端網(wǎng)絡(luò)的同時,實現(xiàn)了源圖像對網(wǎng)絡(luò)學(xué)習(xí)的監(jiān)督。隨后,Ma等在FusionGAN的基礎(chǔ)上改進(jìn)網(wǎng)絡(luò),提出了ResNetGAN[19]與DDcGAN[20],并取得良好的融合效果。生成對抗融合方法以卷積神經(jīng)網(wǎng)絡(luò)為框架,通過其強(qiáng)特征提取能力與大數(shù)據(jù)驅(qū)動,極大地提高了融合質(zhì)量,其次通過源圖像與生成圖像的對抗,實現(xiàn)源圖像對學(xué)習(xí)參數(shù)的監(jiān)督。但是因卷積核大小以及網(wǎng)絡(luò)深度的限制,單一尺度深度特征表征空間信息能力有限;其次,卷積核所提取的特征依賴圖像某一位置相關(guān)性最強(qiáng)的局部區(qū)域,而沒有考慮特征圖通道之間的相關(guān)性。

    為了解決上述問題,提高圖像融合質(zhì)量,本文提出了紅外與可見光圖像注意力生成對抗融合方法。該方法將Res2Net[21]模塊引入編碼器中,作為卷積模塊,增加了網(wǎng)絡(luò)各層不同尺度的特征數(shù)量,提高了特征表示能力。其次,考慮到特征圖自身通道之間的相關(guān)關(guān)系,采用通道自注意力機(jī)制,增強(qiáng)不同尺度、不同通道特征之間的依賴性,克服了卷積的局限性。最后,利用公開數(shù)據(jù)集,對本文方法與一些典型方法進(jìn)行大量實驗,從主觀、客觀的角度分析融合結(jié)果,驗證本文方法的融合性能。

    1 融合方法

    1.1 融合模型結(jié)構(gòu)

    本文所提網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)主要有兩個部分,編碼器(Encoder)和解碼器(Decoder)構(gòu)成的生成器以及兩個判別器。編碼器包含一個卷積層(C0),兩個多尺度殘差塊(Res2Net1, Res2Net2)與一個通道自注意力機(jī)制(channel-self-attention, CA),該編碼器在不影響網(wǎng)絡(luò)深度的情況下,增強(qiáng)輸出特征的多尺度表達(dá)能力,提高網(wǎng)絡(luò)性能,同時建立特征通道之間的聯(lián)系,增強(qiáng)了多尺度特征的全局特性;解碼器由4個卷積層(C1, C2, C3, C4)構(gòu)成,用于重構(gòu)融合圖像。生成器參數(shù)設(shè)置如表1所示。判別器包含4個卷積層(L1, L2, L3, L4)與一個全連接層(L5),其中紅外判別器與可見光判別器具有相同的結(jié)構(gòu)但不共享權(quán)重。在訓(xùn)練過程中,判別器提取圖像特征,通過計算特征間的Wasserstein距離,感知特征差異,以鑒別源圖像與生成圖像。此外通過生成器與判別器之間的對抗關(guān)系,保留更多源圖像細(xì)節(jié)。判別器參數(shù)設(shè)置如表2所示。

    1.2 Res2Net模塊

    為了提高卷積神經(jīng)網(wǎng)絡(luò)多尺度特征提取能力,Gao等[21]提出了Res2Net模塊,一種新穎的多尺度卷積網(wǎng)絡(luò)架構(gòu),其結(jié)構(gòu)如圖2所示,它將傳統(tǒng)的單一濾波器替換為一系列更小的濾波器組,該濾波器組以類似殘差分層的模式進(jìn)行連接,以增加不同尺度的特征數(shù)量。該模塊先將輸入特征圖分為幾組,每一組的輸入特征圖與先前組經(jīng)過濾波器生成的特征圖拼接在一起,并送入下一組卷積核進(jìn)行處理。以此類推,將所有的特征圖處理完畢。為了使不同尺度的信息融合得更好,Res2Net將拆分處理后的特征圖拼接在一起,并通過1×1卷積核進(jìn)行各尺度特征的信息融合。

    圖1 本文方法網(wǎng)絡(luò)結(jié)構(gòu)

    表1 生成器參數(shù)設(shè)置

    表2 判別器參數(shù)設(shè)置

    圖2 Res2Net結(jié)構(gòu)

    本文將Res2Net引入編碼器中,作為一個卷積模塊,提取圖像多尺度特征。此外,本文采用卷積層與LeakyReLU激活函數(shù),并去除其中的BN層。

    1.3 通道自注意力機(jī)制模塊

    式中:權(quán)重因子從0開始學(xué)習(xí)。

    圖3 通道自注意力結(jié)構(gòu)

    1.4 損失函數(shù)的設(shè)計

    生成器損失函數(shù)由兩部分組成,分別是生成對抗損失和語義損失,生成器損失函數(shù)如公式(3)所示:

    式中:第一項advers()表示生成器對抗損失;第二項content表示語義損失;表示平衡因子,用于平衡兩項損失,本文中=1。

    1)語義損失:語義損失促使生成器構(gòu)造與源圖像相似的數(shù)據(jù)分布。該損失主要有均方誤差損失和邊緣損失兩部分,如式(4)所示。其中均方誤差損失以圖像像素為單位進(jìn)行計算,分別估計融合圖像與紅外圖像、融合圖像與可見光圖像之間數(shù)據(jù)分布的相似度,可以盡可能地保留紅外圖像的目標(biāo)信息以及可見光圖像像素級別的細(xì)節(jié)信息,如式(5)所示。但是均方誤差容易造成融合圖像模糊現(xiàn)象。故引入紅外與可見光圖像邊緣損失,如式(6)所示,實現(xiàn)融合圖像的銳化,補(bǔ)償這一問題。其中,=5,vi=0.49,ir=0.51。

    午后的太陽偶爾也會唱著火辣辣的歌曲,不減夏日勢頭地炙烤著大地,但這些絲毫不影響我們做運動。同學(xué)們似乎變得比平時更認(rèn)真,個個頭頂著烈日,隨著激昂的音樂做起了廣播體操。倘若來一場秋雨,同學(xué)們就會聚集在室內(nèi)體育館活動。瞧!那幾位女同學(xué)還在跳高難度的長繩呢!還有幾位生龍活虎的男同學(xué)正在進(jìn)行如火如荼的羽毛球比賽。這一切,讓秋日的校園增添了勃勃生機(jī)!

    2)生成對抗損失:本文的網(wǎng)絡(luò)模型中,設(shè)計了兩個判別器,即紅外判別器ir與可見光判別器vi。。它們分別使融合圖像保留更多的紅外、可見光的細(xì)節(jié)信息,因此生成對抗損失包含兩部分,如式(7)所示:

    判別器損失函數(shù)用于訓(xùn)練判別器,使其可以有效鑒別生成圖像與源圖像,進(jìn)而與生成器形成對抗,如式(8)所示:

    1.5 數(shù)據(jù)集與參數(shù)設(shè)置

    在訓(xùn)練過程中,本文采用TNO的數(shù)據(jù)集,從TNO中選取49對不同場景的紅外與可見光圖像,由于49對圖像無法訓(xùn)練一個良好的模型,因此,對源圖像做預(yù)處理以擴(kuò)大訓(xùn)練集。本文將源圖像對做裁剪,裁剪大小為120×120,裁剪步長為12,以獲取54594對紅外與可見光圖像,并將其歸一化為[-1,1],以加快計算速度,減少內(nèi)存占用。

    此外,本文從訓(xùn)練集中選取batchsize=18的圖像對。首先對紅外判別器與可見光判別器分別訓(xùn)練次;其次再對生成器訓(xùn)練一次,生成器與判別器均采用Adam優(yōu)化器。整個訓(xùn)練過程即重復(fù)上述過程次。在實驗過程中的參數(shù)設(shè)置=2,=20。本文訓(xùn)練以及測試硬件平臺為NVIDIA GeForce RTX 3090 GPU,Intel(R)Core(TM) i9-10850K CPU;軟件環(huán)境為Windows10,Python3.7.10,Pytorch1.8.1。

    2 實驗結(jié)果與分析

    2.1 實驗說明

    本文采用6個指標(biāo)對融合結(jié)果作客觀評價??陀^指標(biāo)包括信息熵(entropy, EN)、標(biāo)準(zhǔn)差(standard deviation, SD)、相關(guān)系數(shù)(correlation coefficient, CC)、相關(guān)差異和(the sum of the correlation differences,SCD)、結(jié)構(gòu)相似度(multi-scale structural similarity index measure,MS-SSIM)、融合保真度(the visual information fidelity for fusion,VIFF)。其中,EN反映融合圖像紋理信息的豐富程度,其熵值越大,則說明其保留了更豐富的源圖像信息;SD表示各像素灰度相對于灰度平均值的離散情況,值越大,則所融合的圖像對比度越高;CC描述融合圖像與源圖像的相似程度;SCD是表征圖像質(zhì)量的指標(biāo);MS-SSIM反映圖像間的亮度、對比度、結(jié)構(gòu)失真水平的差異性;VIFF反映視覺效果,其結(jié)果與主觀評價結(jié)果具有一致性,值越大,則所融合的圖像視覺效果越佳。

    2.2 消融實驗

    為了驗證網(wǎng)絡(luò)結(jié)構(gòu)中不同模塊對融合結(jié)果的影響,本文對Res2Net模塊與通道注意力模塊分別進(jìn)行實驗,首先保留Res2Net模塊并去除通道自注意力模塊(記作No-CA);其次網(wǎng)絡(luò)使用普通卷積層代替Res2Net模塊,同時保留通道注意力模塊(記作No-Res2Net)。

    實驗采用Roadscene數(shù)據(jù)集的105組紅外可見光圖像,分別對各類模型進(jìn)行實驗,客觀指標(biāo)評價如表3所示。由表3可知,本文模型的EN,SD,SCD,MS-SSIM,VIFF指標(biāo)最高,僅在CC指標(biāo)上略低于其他模型,表明Res2Net模塊可以有效提取多尺度特征,同時通道注意力機(jī)制有效建立了特征通道之間的遠(yuǎn)程依賴關(guān)系,增強(qiáng)了多尺度特征的全局特性,提高融合結(jié)果性能。相比于其他模型,本文模型融合的結(jié)果包含較豐富的源圖像信息,具有較高對比度以及較好的視覺效果。

    表3 消融實驗的定量比較

    2.3 TNO數(shù)據(jù)集實驗

    本文從TNO數(shù)據(jù)集中選取20組圖像定性定量分析融合結(jié)果,展示其中4組圖像并做主觀評價分析,分別包括“Nato_camp”、“helicopter”、“bench”以及”Movie_18”。

    第一組對“Nato_camp”圖像做融合,其圖像及融合結(jié)果如圖4所示,(a)中人影目標(biāo)突出,而背景模糊;(b)中可以觀察到樹木紋理,房檐色彩、邊緣以及圍欄,背景清晰,但無法觀察到人影;(c)(e)(g)(h)方法的融合結(jié)果紋理信息較好,但圖像目標(biāo)與背景區(qū)域?qū)Ρ榷炔桓?,?dǎo)致圖像一些紋理不易被觀察,如圍欄上的鐵絲;(d)方法的融合結(jié)果邊緣細(xì)節(jié)豐富,可以清晰的觀察到煙囪的形狀與圍欄邊緣等細(xì)節(jié);(f)的融合結(jié)果目標(biāo)對比度高,如人影,但背景紋理模糊,目標(biāo)邊緣信息丟失;本文方法增強(qiáng)了目標(biāo)與背景區(qū)域的對比度,比其它方法更容易觀察到圖像細(xì)節(jié),如樹木紋理、圍欄上的鐵絲以及房檐色彩分布與輪廓等,視覺效果良好。

    第二組對“helicopter”圖像做融合,其圖像及融合結(jié)果如圖5所示,在(c)(d)(e)(g)(h)方法融合圖像中,直升機(jī)邊緣以及雨水細(xì)節(jié)保存較好,但目標(biāo)與背景的對比度略低,不容易觀察天空中云的分布,此外,直升機(jī)發(fā)動機(jī)亮度不高;(f)方法的融合結(jié)果保留雨水細(xì)節(jié)的同時,提高發(fā)動機(jī)亮度,螺旋槳轉(zhuǎn)動細(xì)節(jié)清晰,但機(jī)身細(xì)節(jié)丟失;本文方法發(fā)動機(jī)亮度略高于(c)(d)(e)(g)(h)方法,且不影響機(jī)身細(xì)節(jié),如窗戶、起落架等,同時雨水細(xì)節(jié)沒有丟失,又因?qū)Ρ榷容^高,容易捕捉到云的分布。

    圖4 “Nato_camp”實驗結(jié)果

    第3組對“bench”圖像做融合,其圖像及融合結(jié)果如圖6所示,(c)(e)(g)(h)方法的融合結(jié)果存在“朦朧感”,背景對比度不高,長凳目標(biāo)保留但不易觀察;(f)方法的融合圖像保留了人影的亮度,但其邊緣模糊,背景細(xì)節(jié)丟失,如長凳以及背景色彩分布等。本文方法較好地保留了紅外與可見光的信息,如人影,水中倒影以及長凳。

    圖5 “helicopter”實驗結(jié)果

    圖6 “bench”實驗結(jié)果

    第4組對“Movie_18”圖像做融合,其圖像及融合結(jié)果如圖7所示,(a)中可以觀察到明顯的人影、車子的輪廓、馬路欄桿以及路牌,遠(yuǎn)景目標(biāo)清晰,如樹木、圍墻,且房子對比度高,結(jié)構(gòu)鮮明,如房頂、墻面與門窗;(b)中房子邊緣較好,天空細(xì)節(jié)突出,但看不到人影以及遠(yuǎn)景樹木等;與其他融合方法相比,本文方法的融合結(jié)果目標(biāo)突出,如人影、車子、馬路欄桿以及遠(yuǎn)景樹木,此外邊緣細(xì)節(jié)清晰,如天空,房檐邊緣、色彩分布以及窗子開合等??傮w視覺效果良好。

    主觀評價是根據(jù)人類視覺系統(tǒng)評估融合圖像的質(zhì)量,但仍會存在一定的偏差,為了更全面地評估融合圖像的質(zhì)量,本文使用6個指標(biāo)對各方法融合結(jié)果進(jìn)行客觀評價。TNO數(shù)據(jù)集定量評價指標(biāo)如圖8所示,從圖中指標(biāo)來看,本文方法在EN,SD,CC,SCD,MS-SSIM,VIFF指標(biāo)中平均數(shù)值最高,表明本文融合結(jié)果相比于其他方法包含更豐富的源圖像信息,較高的對比度以及更好的視覺效果。

    圖7 “Movie_18”實驗結(jié)果

    2.4 Roadscene數(shù)據(jù)集實驗

    為了進(jìn)一步驗證本文方法融合性能,將從Roadscene數(shù)據(jù)集中選取20組圖像做定性定量分析,展示其中兩組圖像并做主觀評價分析,該兩組圖像分別命名為“example1”、“example2”。

    第一組與第二組分別對“example1”、“example2”圖像做融合,其圖像及融合結(jié)果如圖9、圖10所示,與之前TNO四組融合結(jié)果主觀評價一致,本文方法在不丟失紅外目標(biāo)的情況下,盡可能多地保留可見光的細(xì)節(jié)信息。此外,本文使用6個指標(biāo)對各方法融合結(jié)果做客觀評價,Roadscene數(shù)據(jù)集定量評價指標(biāo)如圖11所示,從圖中指標(biāo)來看,相比于其他方法,本文方法在EN,SD,CC,SCD,MS-SSIM,VIFF指標(biāo)中平均數(shù)值最高,表明本文融合結(jié)果包含與源圖像更相似的結(jié)構(gòu),具有較高的對比度以及更符合人眼的視覺系統(tǒng),有利于人眼觀察。

    圖8 “TNO”數(shù)據(jù)集定量評價指標(biāo)

    圖9 “example 1”實驗結(jié)果

    圖10 “example 2”實驗結(jié)果

    為了進(jìn)一步評價本文方法與其他融合方法的時間效率,采用TNO、Roadscene數(shù)據(jù)集的紅外可見光圖像進(jìn)行實驗。時間效率比較如表4所示,其中基于傳統(tǒng)融合方法CVT、ASR與WLS在CPU上運行,基于深度學(xué)習(xí)融合方法DenseFuse、FusionGan與IFCNN在GPU上運行。由表4可知,其計算效率僅次于IFCNN與DenseFuse,不同于它們的平均規(guī)則融合,本文融合方法利用多尺度模塊代替普通卷積層,同時與通道自注意力模塊級聯(lián),計算量較大。因此,與其他方法相比,所提方法具有較高計算效率同時能保持良好的融合效果。

    圖11 “Roadscene”數(shù)據(jù)集定量評價指標(biāo)

    表4 時間計算率比較

    3 結(jié)語

    本文提出了一種紅外與可見光圖像注意力生成對抗融合方法,該方法使用多尺度模塊代替?zhèn)鹘y(tǒng)卷積層,將傳統(tǒng)的單一濾波器替換為一系列更小的濾波器組,在不影響網(wǎng)絡(luò)深度的同時提高網(wǎng)絡(luò)的寬度,增加了網(wǎng)絡(luò)各層不同尺度的特征數(shù)量,增強(qiáng)網(wǎng)絡(luò)特征表達(dá)能力;其次,將通道自注意力機(jī)制引入編碼器中,增強(qiáng)不同尺度、不同通道特征之間的依賴性,克服了卷積的局限性;與其他典型融合結(jié)果相比,本文方法在主觀客觀上都有良好的融合效果。但同時本方法在目標(biāo)顯示上不是特別突出,背景紋理略帶虛影,且模塊帶來指標(biāo)提升較為微弱。因此優(yōu)化模型,最大限度提高多尺度模塊與自注意力機(jī)制模塊的作用;同時使融合結(jié)果保留清晰的可見光細(xì)節(jié)信息、突出目標(biāo)區(qū)域?qū)Ρ榷葘⑹窍乱浑A段研究的重點。

    [1] MA J, MA Y, LI C. Infrared and visible image fusion methods and applications: a survey[J]., 2019, 45: 153-178.

    [2] LI S, KANG X, FANG L, et al. Pixel-level image fusion: a survey of the state of the art[J]., 2017, 33: 100-112.

    [3] LIU Y, CHEN X, WANG Z, et al. Deep learning for pixel-level image fusion: Recent advances and future prospects[J]., 2018, 42: 158-173.

    [4] LI S, YANG B, HU J. Performance comparison of different multi-resolution transforms for image fusion[J]., 2011, 12(2): 74-84.

    [5] ZHANG Q, LIU Y, Rick S Blum, et al. Sparse representation based multi-sensor image fusion for multi-focus and multi-modality images: a review[J]., 2018, 40: 57-75.

    [6] ZHANG Xiaoye, MA Yong, ZHANG Ying, et al. Infrared and visible image fusion via saliency analysis and local edge-preserving multi-scale decomposition[J]., 2017, 34(8): 1400-1410.

    [7] YU L, LIU S, WANG Z. A general framework for image fusion based on multi-scale transform and sparse representation[J]., 2015, 24: 147-164.

    [8] HAN J, Pauwels E J, P De Zeeuw. Fast saliency-aware multimodality image fusion[J]., 2013, 111: 70-80.

    [9] YIN Haitao. Sparse representation with learned multiscale dictionary for image fusion[J]., 2015, 148: 600-610.

    [10] WANG Zhishe, YANG Fengbao, PENG Zhihao, et al. Multi-sensor image enhanced fusion algorithm based on NSST and top-hat transformation[J]., 2015, 126(23): 4184-4190.

    [11] CUI G, FENG H, XU Z, et al. Detail preserved fusion of visible and infrared images using regional saliency extraction and multi-scale image decomposition[J]., 2015, 341: 199-209.

    [12] LI Q, LU L, LI Z, et al. Coupled GAN with relativistic discriminators for infrared and visible images fusion[J]., 2021, 21(6): 7458-7467.

    [13] LIU Y, CHEN X, CHENG J, et al. Infrared and visible image fusion with convolutional neural networks[J]., 2018, 16(3): 1850018.

    [14] LI H, WU X J. DenseFuse: a fusion approach to infrared and visible images[J].:, 2019, 28(5): 2614-2523.

    [15] XU H, MA J, JIANG J, et al. U2Fusion: A unified unsupervised image fusion network[J]., 2020, 44(1): 502-518.

    [16] HOU R. VIF-Net: an unsupervised framework for infrared and visible image fusion[J]., 2020, 6: 640-651.

    [17] HUI L A, XJW A, JK B. RFN-Nest: An end-to-end residual fusion network for infrared and visible images[J]., 2021, 73: 72-86.

    [18] MA J, WEI Y, LIANG P, et al. FusionGAN: a generative adversarial network for infrared and visible image fusion[J]., 2019, 48: 11-26.

    [19] JM A, Pl A, WEI Y A, et al. Infrared and visible image fusion via detail preserving adversarial learning[J]., 2020, 54: 85-98.

    [20] MA J, XU H, JIANG J, et al. DDcGAN: A dual-discriminator conditional generative adversarial network for multi-resolution image fusion[J]., 2020, 29: 4980-4995.

    [21] GAO S, CHENG M M, ZHAO K, et al. Res2Net: A new multi-scale backbone architecture[J]., 2021, 43(2): 652-662.

    [22] FU J, LIU J, TIAN H, et al. Dual attention network for scene segmentation[C]//2019, 2020: DOI: 10.1109/cvpr. 2019.00326.

    [23] Nencini F, Garzelli A, Baronti S, et al. Alparone, remote sensing image fusion using the curvelet transform[J]., 2007, 8(2): 143-156.

    [24] LIU Y, WANG Z. Simultaneous image fusion and denoising with adaptive sparse representation[J]., 2014, 9(5): 347-357.

    [25] MA J, ZHOU Z, WANG B, et al. Infrared and visible image fusion based on visual saliency map and weighted least square optimization[J]., 2017, 82: 8-17.

    [26] YU Z A, YU L B, PENG S C, et al. IFCNN: A general image fusion framework based on convolutional neural network[J]., 2020, 54: 99-118.

    Infrared and Visible Image Fusion Using Attention-Based Generative Adversarial Networks

    WU Yuanyuan,WANG Zhishe,WANG Junyao,SHAO Wenyu,CHEN Yanlin

    (School of Applied Science, Taiyuan University of Science and Technology, Taiyuan 030024, China)

    At present, deep learning-based fusion methods rely only on convolutional kernels to extract local features, but the limitations of single-scale networks, convolutional kernel size, and network depth cannot provide a sufficient number of multi-scale and global image characteristics. Therefore, here we propose an infrared and visible image fusion method using attention-based generative adversarial networks. This study uses a generator consisting of an encoder and decoder, and two discriminators. The multi-scale module and channel self-attention mechanism are designed in the encoder, which can effectively extract multi-scale features and establish the dependency between the long ranges of feature channels, thus enhancing the global characteristics of multi-scale features. In addition, two discriminators are constructed to establish an adversarial relationship between the fused image and the source images to preserve more detailed information. The experimental results demonstrate that the proposed method is superior to other typical methods in both subjective and objective evaluations.

    image fusion, channel self-attention mechanism, deep learning, generative adversarial networks, infrared image, visible image

    TP391.4

    A

    1001-8891(2022)02-0170-09

    2021-05-29;

    2021-07-20.

    武圓圓(1997-)女,碩士研究生,研究方向為光學(xué)測控技術(shù)與應(yīng)用。E-mail:yywu321@163.com。

    王志社(1982-)男,副教授,博士,研究方向為紅外圖像處理、機(jī)器學(xué)習(xí)和信息融合。E-mail:wangzs@tyust.edu.cn。

    山西省面上自然基金項目(201901D111260);信息探測與處理山西省重點實驗室開放研究基金(ISTP2020-4);太原科技大學(xué)博士啟動基金(20162004)。

    猜你喜歡
    尺度紅外卷積
    網(wǎng)紅外賣
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    閃亮的中國紅外『芯』
    金橋(2021年4期)2021-05-21 08:19:20
    財產(chǎn)的五大尺度和五重應(yīng)對
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應(yīng)用
    電子制作(2019年7期)2019-04-25 13:17:14
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    基于快速遞推模糊2-劃分熵圖割的紅外圖像分割
    宇宙的尺度
    太空探索(2016年5期)2016-07-12 15:17:55
    9
    亚洲成人一二三区av| 全区人妻精品视频| 日本wwww免费看| 精品一区在线观看国产| 丝袜脚勾引网站| 蜜桃久久精品国产亚洲av| 两个人免费观看高清视频| 肉色欧美久久久久久久蜜桃| 一本色道久久久久久精品综合| 热re99久久国产66热| 午夜激情福利司机影院| 天天影视国产精品| 亚洲国产精品一区二区三区在线| 啦啦啦在线观看免费高清www| 精品少妇内射三级| 老熟女久久久| 人人妻人人爽人人添夜夜欢视频| 如日韩欧美国产精品一区二区三区 | 久久免费观看电影| 一级毛片电影观看| 久久人人爽人人片av| 日本91视频免费播放| 性高湖久久久久久久久免费观看| 精品久久久久久电影网| 黄色毛片三级朝国网站| 久热久热在线精品观看| 91精品三级在线观看| 蜜臀久久99精品久久宅男| √禁漫天堂资源中文www| av国产久精品久网站免费入址| 香蕉精品网在线| 色5月婷婷丁香| 视频在线观看一区二区三区| 国产一区二区在线观看av| 九色成人免费人妻av| 日本av手机在线免费观看| 一区二区三区乱码不卡18| 乱人伦中国视频| 伦理电影大哥的女人| 国产一区二区三区av在线| 日韩强制内射视频| 青春草国产在线视频| 国产午夜精品一二区理论片| 免费高清在线观看视频在线观看| 日韩成人av中文字幕在线观看| 亚洲精品成人av观看孕妇| 免费人成在线观看视频色| 三级国产精品欧美在线观看| 一本色道久久久久久精品综合| 精品久久久精品久久久| 丝袜喷水一区| 你懂的网址亚洲精品在线观看| 99热网站在线观看| 色婷婷久久久亚洲欧美| 久热这里只有精品99| 交换朋友夫妻互换小说| 国产亚洲最大av| 少妇 在线观看| 久久久欧美国产精品| 母亲3免费完整高清在线观看 | 最近中文字幕2019免费版| 久久精品久久久久久噜噜老黄| 国产av国产精品国产| 中文字幕制服av| 日本黄色日本黄色录像| av福利片在线| 亚洲欧美清纯卡通| 国产av一区二区精品久久| 国产免费一级a男人的天堂| 国产色爽女视频免费观看| 国产av精品麻豆| www.色视频.com| av国产久精品久网站免费入址| 亚洲精品一区蜜桃| 国产成人精品无人区| 精品久久久久久久久av| 麻豆精品久久久久久蜜桃| 亚洲国产精品999| 一区二区三区精品91| 久久人人爽av亚洲精品天堂| 亚洲精品国产av蜜桃| 麻豆成人av视频| 欧美日韩视频精品一区| 王馨瑶露胸无遮挡在线观看| 国产日韩欧美亚洲二区| 边亲边吃奶的免费视频| √禁漫天堂资源中文www| 51国产日韩欧美| 免费看不卡的av| 最新的欧美精品一区二区| 成人漫画全彩无遮挡| 国产乱来视频区| 日韩在线高清观看一区二区三区| 成人毛片a级毛片在线播放| 国产亚洲午夜精品一区二区久久| 国产精品一二三区在线看| 亚洲性久久影院| 哪个播放器可以免费观看大片| 校园人妻丝袜中文字幕| 亚洲国产欧美日韩在线播放| 精品国产一区二区三区久久久樱花| 色吧在线观看| 午夜激情av网站| 精品人妻在线不人妻| 亚洲精品自拍成人| 免费大片18禁| 国产乱人偷精品视频| 夜夜看夜夜爽夜夜摸| 中文精品一卡2卡3卡4更新| 在线 av 中文字幕| 亚洲无线观看免费| 3wmmmm亚洲av在线观看| 日韩免费高清中文字幕av| 欧美精品高潮呻吟av久久| 国产免费一级a男人的天堂| 欧美国产精品一级二级三级| 欧美成人精品欧美一级黄| 成人免费观看视频高清| 久久人人爽人人爽人人片va| 成人二区视频| 成人亚洲欧美一区二区av| 十分钟在线观看高清视频www| 国产在视频线精品| 日韩精品免费视频一区二区三区 | 亚洲色图 男人天堂 中文字幕 | 一级毛片我不卡| 国产精品麻豆人妻色哟哟久久| 免费观看av网站的网址| 2018国产大陆天天弄谢| 欧美丝袜亚洲另类| 一级毛片黄色毛片免费观看视频| 夫妻午夜视频| 丝袜在线中文字幕| av.在线天堂| 久久久国产一区二区| 简卡轻食公司| 看免费成人av毛片| 亚洲av福利一区| 少妇熟女欧美另类| 免费看光身美女| 草草在线视频免费看| 欧美 亚洲 国产 日韩一| 男女无遮挡免费网站观看| 亚洲精品乱码久久久久久按摩| 久久久久人妻精品一区果冻| 久久久久久久久久久丰满| 制服丝袜香蕉在线| 综合色丁香网| 蜜桃久久精品国产亚洲av| 精品熟女少妇av免费看| 人人澡人人妻人| 伊人久久大香线蕉亚洲五| 欧美日韩亚洲综合一区二区三区_| 亚洲精品乱久久久久久| 亚洲精品国产区一区二| 俄罗斯特黄特色一大片| 久久ye,这里只有精品| 每晚都被弄得嗷嗷叫到高潮| 亚洲精品中文字幕一二三四区 | 国产精品.久久久| 中文字幕色久视频| 日韩一区二区三区影片| 亚洲av电影在线进入| 色综合欧美亚洲国产小说| 亚洲精品成人av观看孕妇| 欧美激情极品国产一区二区三区| 亚洲国产中文字幕在线视频| 老熟妇仑乱视频hdxx| 丝袜美腿诱惑在线| 老司机福利观看| 天堂俺去俺来也www色官网| 欧美激情极品国产一区二区三区| 午夜久久久在线观看| 亚洲精品中文字幕在线视频| 最近最新中文字幕大全免费视频| 啦啦啦视频在线资源免费观看| 免费黄频网站在线观看国产| 久久九九热精品免费| 黑人操中国人逼视频| 国产高清激情床上av| 欧美精品一区二区免费开放| 亚洲va日本ⅴa欧美va伊人久久| 国产精品久久久人人做人人爽| 久久九九热精品免费| 王馨瑶露胸无遮挡在线观看| 欧美黄色片欧美黄色片| 777米奇影视久久| 建设人人有责人人尽责人人享有的| 90打野战视频偷拍视频| 久久久久精品国产欧美久久久| 狠狠精品人妻久久久久久综合| 久久人妻福利社区极品人妻图片| 黄色怎么调成土黄色| 亚洲少妇的诱惑av| 免费观看a级毛片全部| 一本大道久久a久久精品| 国产欧美日韩一区二区三| 视频区图区小说| 手机成人av网站| 国产午夜精品久久久久久| 亚洲第一欧美日韩一区二区三区 | 69av精品久久久久久 | 免费女性裸体啪啪无遮挡网站| 丰满人妻熟妇乱又伦精品不卡| 久久久久久久大尺度免费视频| 性色av乱码一区二区三区2| 国产日韩一区二区三区精品不卡| 精品国产一区二区三区四区第35| 日本wwww免费看| 国产精品1区2区在线观看. | 亚洲精华国产精华精| 伦理电影免费视频| 国产野战对白在线观看| 麻豆国产av国片精品| 亚洲va日本ⅴa欧美va伊人久久| 日韩欧美三级三区| 国产精品免费大片| 男女午夜视频在线观看| 麻豆国产av国片精品| 老司机亚洲免费影院| 久久av网站| 一本—道久久a久久精品蜜桃钙片| 建设人人有责人人尽责人人享有的| 国产av精品麻豆| 色尼玛亚洲综合影院| 丝瓜视频免费看黄片| 精品福利永久在线观看| 精品国产国语对白av| 在线永久观看黄色视频| 菩萨蛮人人尽说江南好唐韦庄| 97人妻天天添夜夜摸| 90打野战视频偷拍视频| 久久99热这里只频精品6学生| 午夜福利视频在线观看免费| 女警被强在线播放| 亚洲欧美日韩另类电影网站| 一夜夜www| 看免费av毛片| 宅男免费午夜| 日韩大片免费观看网站| 亚洲 国产 在线| av超薄肉色丝袜交足视频| 中文字幕高清在线视频| 日韩欧美三级三区| 亚洲国产中文字幕在线视频| 亚洲国产毛片av蜜桃av| 精品一区二区三区四区五区乱码| 老汉色∧v一级毛片| 亚洲一码二码三码区别大吗| 一区二区三区乱码不卡18| 亚洲成av片中文字幕在线观看| 色综合欧美亚洲国产小说| 好男人电影高清在线观看| 久久久久国内视频| 热99国产精品久久久久久7| 国产在线免费精品| 国产在线精品亚洲第一网站| 美女午夜性视频免费| 热99re8久久精品国产| 亚洲欧美日韩另类电影网站| 欧美精品人与动牲交sv欧美| 夜夜骑夜夜射夜夜干| 国产一区二区三区综合在线观看| 大片电影免费在线观看免费| 精品亚洲成a人片在线观看| 欧美精品一区二区免费开放| 亚洲五月色婷婷综合| 俄罗斯特黄特色一大片| 精品高清国产在线一区| 国产在线视频一区二区| 久久热在线av| 国产欧美日韩一区二区三| 亚洲成国产人片在线观看| 少妇粗大呻吟视频| 国产精品 国内视频| 亚洲色图综合在线观看| 欧美黑人欧美精品刺激| 国产高清国产精品国产三级| 久久精品aⅴ一区二区三区四区| aaaaa片日本免费| 亚洲精品在线美女| 欧美日韩成人在线一区二区| 在线十欧美十亚洲十日本专区| 久久精品人人爽人人爽视色| 国产99久久九九免费精品| 精品人妻在线不人妻| 女人精品久久久久毛片| 欧美+亚洲+日韩+国产| 99riav亚洲国产免费| 岛国在线观看网站| 久久人妻熟女aⅴ| 国产成人免费无遮挡视频| 在线永久观看黄色视频| √禁漫天堂资源中文www| 丝袜喷水一区| 国产精品亚洲av一区麻豆| 国产高清视频在线播放一区| 中文欧美无线码| 美女国产高潮福利片在线看| 极品教师在线免费播放| 99久久99久久久精品蜜桃| 亚洲男人天堂网一区| 高清av免费在线| 男女午夜视频在线观看| 99热网站在线观看| 亚洲伊人色综图| 久9热在线精品视频| 一二三四在线观看免费中文在| 免费女性裸体啪啪无遮挡网站| 男男h啪啪无遮挡| 久久av网站| 色尼玛亚洲综合影院| 99re在线观看精品视频| 午夜激情久久久久久久| 国产xxxxx性猛交| 亚洲人成伊人成综合网2020| 狠狠精品人妻久久久久久综合| 国产精品成人在线| 国产日韩欧美视频二区| 超色免费av| 国产精品免费视频内射| 1024视频免费在线观看| 97人妻天天添夜夜摸| 日本a在线网址| 午夜福利影视在线免费观看| 少妇裸体淫交视频免费看高清 | 成年人黄色毛片网站| 国产精品99久久99久久久不卡| 51午夜福利影视在线观看| 9191精品国产免费久久| 俄罗斯特黄特色一大片| 一区二区三区乱码不卡18| 亚洲av日韩精品久久久久久密| 色视频在线一区二区三区| av视频免费观看在线观看| 人妻久久中文字幕网| 日本五十路高清| 18禁黄网站禁片午夜丰满| 每晚都被弄得嗷嗷叫到高潮| 欧美日韩一级在线毛片| 伊人久久大香线蕉亚洲五| 国产熟女午夜一区二区三区| 亚洲精品中文字幕在线视频| 成人黄色视频免费在线看| 欧美成人午夜精品| 免费看十八禁软件| 久久国产精品影院| 亚洲一区二区三区欧美精品| 国产视频一区二区在线看| 久久久久久久精品吃奶| 亚洲色图av天堂| 男女免费视频国产| a级毛片黄视频| 免费观看av网站的网址| 五月天丁香电影| 免费女性裸体啪啪无遮挡网站| 99九九在线精品视频| 久久精品人人爽人人爽视色| 亚洲av片天天在线观看| 天天添夜夜摸| 在线观看舔阴道视频| 免费高清在线观看日韩| 久久精品亚洲精品国产色婷小说| 国产免费福利视频在线观看| 欧美激情久久久久久爽电影 | 又紧又爽又黄一区二区| a在线观看视频网站| 变态另类成人亚洲欧美熟女 | 日本黄色视频三级网站网址 | 国产一区二区 视频在线| 国产不卡av网站在线观看| 熟女少妇亚洲综合色aaa.| 国产一区有黄有色的免费视频| 一本色道久久久久久精品综合| 在线观看人妻少妇| 欧美一级毛片孕妇| 在线观看免费视频网站a站| 国产亚洲欧美精品永久| 免费黄频网站在线观看国产| 亚洲第一欧美日韩一区二区三区 | 无人区码免费观看不卡 | 老司机福利观看| 亚洲精品乱久久久久久| 亚洲国产看品久久| 国产亚洲午夜精品一区二区久久| 蜜桃在线观看..| 欧美大码av| 亚洲第一青青草原| 精品少妇久久久久久888优播| 亚洲久久久国产精品| 看免费av毛片| 亚洲av电影在线进入| 午夜91福利影院| 欧美日韩亚洲综合一区二区三区_| 搡老熟女国产l中国老女人| 香蕉丝袜av| 老司机深夜福利视频在线观看| 少妇裸体淫交视频免费看高清 | 人人妻人人澡人人看| 久久人人97超碰香蕉20202| 国产精品秋霞免费鲁丝片| 亚洲 国产 在线| 精品国产乱码久久久久久小说| 蜜桃国产av成人99| 无人区码免费观看不卡 | 多毛熟女@视频| 考比视频在线观看| 两个人看的免费小视频| 18禁国产床啪视频网站| 黄色a级毛片大全视频| 精品少妇黑人巨大在线播放| 丁香六月欧美| 国产有黄有色有爽视频| 午夜日韩欧美国产| 日本a在线网址| 成年版毛片免费区| 久久精品亚洲av国产电影网| 午夜视频精品福利| 精品国产一区二区久久| 国产日韩欧美在线精品| 色尼玛亚洲综合影院| 91麻豆精品激情在线观看国产 | 777米奇影视久久| 一区福利在线观看| 久久影院123| 国产一卡二卡三卡精品| 日日夜夜操网爽| 午夜福利免费观看在线| 老司机深夜福利视频在线观看| 满18在线观看网站| 国产精品亚洲一级av第二区| 久久久国产成人免费| 国产欧美日韩一区二区三区在线| 亚洲国产av影院在线观看| 丁香六月天网| 亚洲avbb在线观看| 欧美午夜高清在线| 精品国内亚洲2022精品成人 | 满18在线观看网站| 午夜两性在线视频| 亚洲人成电影免费在线| 国产日韩欧美亚洲二区| 国产亚洲午夜精品一区二区久久| 美女高潮喷水抽搐中文字幕| 美女福利国产在线| 一夜夜www| 亚洲欧美精品综合一区二区三区| 99riav亚洲国产免费| 亚洲精品中文字幕在线视频| 性少妇av在线| 国产主播在线观看一区二区| 久久久久久久久免费视频了| 亚洲av电影在线进入| 99国产精品一区二区三区| 最近最新免费中文字幕在线| 婷婷成人精品国产| 精品国产乱码久久久久久小说| 极品少妇高潮喷水抽搐| 夫妻午夜视频| 日韩三级视频一区二区三区| 亚洲专区字幕在线| 免费看十八禁软件| 天天躁夜夜躁狠狠躁躁| 老司机午夜福利在线观看视频 | 一本色道久久久久久精品综合| av欧美777| 亚洲情色 制服丝袜| 日韩熟女老妇一区二区性免费视频| 亚洲专区字幕在线| 又大又爽又粗| 999久久久国产精品视频| 国产精品亚洲av一区麻豆| 久热这里只有精品99| 黄色a级毛片大全视频| 国产一区二区三区在线臀色熟女 | 国产1区2区3区精品| 免费观看人在逋| 9热在线视频观看99| 两性夫妻黄色片| 亚洲伊人色综图| 高清av免费在线| 人人妻人人爽人人添夜夜欢视频| 午夜91福利影院| 啪啪无遮挡十八禁网站| 悠悠久久av| 欧美黄色淫秽网站| 国产欧美日韩一区二区三| 啦啦啦视频在线资源免费观看| 久久人妻熟女aⅴ| 国产精品亚洲一级av第二区| 国产成人一区二区三区免费视频网站| 亚洲国产看品久久| 亚洲欧美日韩高清在线视频 | 欧美日韩av久久| 后天国语完整版免费观看| 国产在线一区二区三区精| 欧美另类亚洲清纯唯美| 国产一区二区三区综合在线观看| 无限看片的www在线观看| 这个男人来自地球电影免费观看| 大型黄色视频在线免费观看| 亚洲avbb在线观看| 19禁男女啪啪无遮挡网站| 免费在线观看视频国产中文字幕亚洲| 久久久久国内视频| 亚洲伊人色综图| 国产激情久久老熟女| 日本黄色日本黄色录像| 欧美国产精品va在线观看不卡| 亚洲av国产av综合av卡| 99久久人妻综合| 亚洲欧洲日产国产| 国产亚洲欧美在线一区二区| 国产精品久久久久久精品电影小说| 国产精品成人在线| 免费黄频网站在线观看国产| 久久人妻av系列| 99精国产麻豆久久婷婷| 欧美成人午夜精品| 亚洲成a人片在线一区二区| 另类亚洲欧美激情| 色播在线永久视频| 麻豆av在线久日| www.自偷自拍.com| 一级毛片电影观看| videosex国产| 国产精品99久久99久久久不卡| 中亚洲国语对白在线视频| 少妇 在线观看| 免费观看a级毛片全部| 国产精品久久久av美女十八| 国产精品 欧美亚洲| 人妻 亚洲 视频| 欧美精品av麻豆av| 99精国产麻豆久久婷婷| 中文亚洲av片在线观看爽 | 亚洲国产欧美网| 色精品久久人妻99蜜桃| 国产精品影院久久| 欧美大码av| 极品教师在线免费播放| 建设人人有责人人尽责人人享有的| 亚洲成a人片在线一区二区| 亚洲精品一二三| 王馨瑶露胸无遮挡在线观看| 18在线观看网站| 免费看a级黄色片| 久久午夜综合久久蜜桃| 91av网站免费观看| 亚洲精品中文字幕在线视频| 亚洲综合色网址| 十八禁网站免费在线| 757午夜福利合集在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 搡老岳熟女国产| 脱女人内裤的视频| 亚洲黑人精品在线| 国产欧美日韩一区二区三区在线| √禁漫天堂资源中文www| 色94色欧美一区二区| 亚洲专区国产一区二区| 操美女的视频在线观看| 久久av网站| 亚洲va日本ⅴa欧美va伊人久久| 波多野结衣一区麻豆| 久久狼人影院| 男男h啪啪无遮挡| 国产黄色免费在线视频| 国产日韩欧美亚洲二区| 精品一区二区三区av网在线观看 | 成人精品一区二区免费| 亚洲精品自拍成人| 国产野战对白在线观看| 午夜免费鲁丝| 亚洲av欧美aⅴ国产| 大型黄色视频在线免费观看| 正在播放国产对白刺激| 99国产综合亚洲精品| 妹子高潮喷水视频| 高清av免费在线| 90打野战视频偷拍视频| 日韩中文字幕欧美一区二区| av又黄又爽大尺度在线免费看| 黄色视频不卡| 变态另类成人亚洲欧美熟女 | 亚洲国产毛片av蜜桃av| 免费在线观看日本一区| 亚洲av欧美aⅴ国产| 精品亚洲乱码少妇综合久久| 国产一区二区 视频在线| 男女免费视频国产| 自线自在国产av| av一本久久久久| 国内毛片毛片毛片毛片毛片| 老司机靠b影院| 国产精品 欧美亚洲| 叶爱在线成人免费视频播放| 免费在线观看影片大全网站| √禁漫天堂资源中文www| 国产av精品麻豆| 丝袜在线中文字幕| 免费av中文字幕在线| 久久中文字幕一级| 欧美日韩亚洲高清精品| 男女高潮啪啪啪动态图| 狠狠婷婷综合久久久久久88av| 老汉色∧v一级毛片| 免费av中文字幕在线| 中文字幕另类日韩欧美亚洲嫩草| 欧美 日韩 精品 国产| 伦理电影免费视频| 亚洲av第一区精品v没综合| 伊人久久大香线蕉亚洲五| 9色porny在线观看| 男女免费视频国产|