红外热像不再打乱CLIP的语言对齐:EmergeFuse把热线索变成未见类修正,未见类mIoU最高提升4.755个百分点
可见光-红外融合能把热信息带进图像,但CLIP主要在RGB图像上预训练,直接加入红外反而可能破坏视觉-语言对齐,使热线索变成语义干扰。EmergeFuse以RGB预测为锚,按类别相对地挑选能纠正RGB误判的热证据,再用文本对比把这些修正写回融合图像。在FMB、MFNet、SemanticRT三个基准上,其未见类mIoU分别比最强常规融合基线高3.308、4.755、3.046个百分点,未见类严格互补转换率最高提升15.730个百分点,同时保持有竞争力的融合质量。