6165cc金沙总站检测中心院讯（通讯员：王仕龙）近日，人工智能领域国际顶级期刊Engineering Applications of Artificial Intelligence在线发表我院学术论文（Jianlei Liu, Shilong Wang, Chen Chen, Qianwen Hou. DFP-Net: An Unsupervised Dual-Branch Frequency-Fomain Processing Framework for Single Image Dehazing, 2024）。该论文以6165cc金沙总站检测中心为第一完成单位，刘建磊教授为第一作者，2022级研究生王仕龙为论文第二作者（学生第一作者）。Engineering Applications of Artificial Intelligence是国际自动控制联合会（IFAC）8本会刊之一，致力于推广和传播人工智能工程应用的创新研究成果；系JCR一区、中科院2区Top期刊，最新影响因子7.5。

无雾图像是许多视觉系统和算法的先决条件，因此，单幅图像去雾在计算机视觉领域至关重要。然而，现有的深度学习去雾方法面临以下问题：（1）忽视了物理先验去雾方法在恢复图像可见性方面的潜力；（2）多数深度学习去雾方法主要依赖图像的空间信息，而忽略了频域信息；（3）现有的去雾方法通常基于成对图像进行训练，但在现实世界中获取同一场景的成对数据极具挑战性，这限制了其去雾性能。为了解决上述问题，本文提出了一种新颖的无监督去雾网络 DFP-Net。该网络通过融合暗通道先验算法，以充分结合先验和深度学习方法的优势。通过精心设计的双分支频域处理网络和空间感知融合网络，DFP-Net能够充分探索图像的频域和空间域信息。此外，通过结合对比学习和对抗训练，DFP-Net有效解决了配对训练样本不足的问题。实验结果表明，DFP-Net不论是在合成基准数据集还是真实世界雾霾图像上都能产生高保真的恢复结果，在视觉和指标评估方面取得了良好的去雾性能。

全文链接：https://doi.org/10.1016/j.engappai.2024.109012

该研究得到了山东省科技型中小企业创新能力提升工程项目的资助支持。