点击蓝字 关注我们
近日，中国移动研究院联合国防科技大学、慕尼黑工业大学、中山大学、上海交通大学、云南师范大学、西湖大学等单位完成的图像复原领域论文《Efficient Image Dehazing via Prior-Guided Hierarchical Harmonization Network》（影响因子：10.8）在国际视频技术领域顶级期刊 IEEE Transactions on Circuits and Systems for Video Technology（TCSVT）发表。
近年来，随着智慧城市、交通监控、遥感测绘、自动驾驶等场景对视觉感知质量的要求不断提升，雨、雾、雪等恶劣天气导致的图像退化问题日益凸显。在安防监控、无人机巡检、卫星遥感等实际应用中，雨、雾、雪天采集的图像往往出现对比度下降、细节模糊、色彩失真等问题，严重影响后续的目标检测、识别与跟踪等高层视觉任务。然而，现有深度学习去雾方法普遍面临“性能与计算复杂度”难以兼顾的矛盾：高性能模型往往依赖庞大的参数量和计算开销，难以部署于资源受限的终端设备与边缘节点；而轻量化模型又难以在复杂雾霾场景下保持高质量复原效果。亟需攻关兼顾高性能与低复杂度的图像去雾技术，以支撑复杂场景下视觉感知数据的实时处理与协同分析。
面向上述需求，围绕“物理先验与深度特征高效协同”的核心理念，中国移动研究院联合多家单位创新性地提出了一种基于先验引导层次协调网络的高效图像去雾方法。一方面，研究团队将暗通道先验、亮通道先验和直方图均衡化先验重新构造为可学习的参数化先验算子，使传统物理先验从固定启发式规则转变为端到端可训练的自适应模块，能够动态建模雾霾分布、增强结构细节并重校准特征统计；另一方面，研究团队设计了非对称U-Net融合架构，编码器保持轻量以高效提取多尺度特征，解码器则通过门控先验-特征融合机制实现先验信息与深层特征的多层次有机融合，在保证复原质量的同时大幅抑制了参数冗余。
实验表明，该方法在SOTS、Dense-Haze、O-HAZE、NH-HAZE、UHD-Haze等11个基准数据集上取得当前最优的图像去雾性能，同时仅需1.69M参数量和17G FLOPs，显著优于现有方法，为资源受限场景下的高质量图像去雾提供了有效解决方案。这一创新成果不仅有效提升了复杂雾霾场景下视觉感知数据的复原质量与处理效率，更为智慧安防、遥感监测、具身智能等场景提供了前瞻性技术支撑。
《IEEE Transactions on Circuits and Systems for Video Technology》是视频技术领域的国际顶级学术期刊，刊载内容涵盖视频编码、视频分析、图像处理、多媒体系统等方面的基础理论与应用研究，在视频技术与系统领域具有广泛的学术影响力和高度认可度。
