**从二维网格到一维令牌：重塑多模态图像融合的共享表示**

_From 2D Grids to 1D Tokens: Reforming Shared Representations for Multimodal Image Fusion_

> 本文提出了一种新颖的多模态图像融合方法，通过引入基于冻结预训练图像分词器的一维令牌接口来建模全局外观因素，同时保留二维空间路径以复原局部细节。其核心是选择性令牌编辑（STE），仅稀疏更新少量关键令牌，以轻量机制引导全局一致性，无需改动融合主干网络。在四个基准数据集上，该方法在全局连贯性和局部保真度上均取得最优性能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-12 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.12303)