随着深度学习算法的蓬勃发展，基于深度学习的多曝光图像融合算法通过深度神经网络模型的学习和优化，能够更好地捕捉图像的细节，提高融合图像的视觉效果和质量。

本文介绍一种基于深度感知增强网络的图像融合算法（DPE-MEF），该算法同时关注了信息的丰富性和视觉真实性，以提高MEF技术的性能。

DPE-MEF算法的网络结构图如下图所示，它由两个子模块组成：细节增强模块（DEM）和颜色增强模块（CEM）。DEM模块旨在从源图像中提取重要的细节信息，并通过寻找最佳局部曝光来增强图像的细节。CEM模块则通过学习自然场景中颜色和亮度之间的关系，对融合结果进行颜色映射和校正，以获得更加真实和生动的颜色。

如下图所示，我们对连拍得到的两张指示灯图片基于DPE-MEF算法进行融合，测试结果为：

蒙帕通过应用DPE-MPE技术，所得到的指示灯巡检图像相比于原始图像，在亮度和细节方面都得到显著增强。

未来，蒙帕团队将进一步探索图像融合技术在更多应用中的效果，为机器人巡检提供更好的图像质量和细节表现。