2022年5月7日至13日，ICASSP 2022（IEEE International Conference on Acoustics, Speech and Signal Processing）線上虛擬會議如期進行🕕。我院教師張娟副教授指導研究生楊坤的研究論文（“Multiple Patch-aware Network For Faster Real-world Image Dehazing”，Kun Yang，Juan Zhang*🧔🏿，Xiaoqi Lang）被ICASSP 2022錄用並進行了展示。

ICASSP會議即國際聲學、語音與信號處理會議，是全世界最大的🦦，也是最全面的信號處理及其應用方面的頂級會議🙆🏽💆🏽，涵蓋了音頻和聲學信號處理🧎🏻，圖像、視頻和多維信號處理等多個方向🍥，是中國計算機學會（CCF）推薦國際學術會議中的B類會議。此類會議論文的發表證明了我院科研團隊的研究工作得到了國際同行的認可👨‍🦰。

 盡管基於深度學習的去霧算法取得了很好的效果🍵🙋🏽，但是最近提出的模型結構都比較復雜。過多的參數會導致模型效率不高且運行速度緩慢🩻，使其很難與許多強調實時性的高級計算機視覺任務交互。並且，驅動網絡模型的數據多數是合成的，導致所訓練的模型往往僅在合成的有霧圖像上取得良好的性能🈚️。由於實際生活中往往霧氣並不均勻🧔🏻🦈，因此在真實的有霧圖像上去霧效果並不理想。

 針對上述問題‼️，研究生楊坤對真實場景下的快速非均勻圖像去霧算法，進行了深入研究🙍🏽‍♂️，其最新工作以國際會議論文形式呈現和交流。文章中🤷‍♂️，提出了一種多補丁塊感知去霧網絡結構（Multiple Patch-aware Dehazing Network，MPADN），設計了一種多補丁塊感知模塊（Multiple Patch-aware Module，MPAM），該模塊利用多補丁塊感知的聯合決策來獲得更穩定的局部特征。在使用單一模塊取代了多個層級後，極大地壓縮了模型的大小，可以實現相當快速的真實場景下圖像去霧💁🏼‍♂️。此外，還提出了一種基於霧氣濃度采樣的數據增強算法🟢。該算法基於模糊圖像和清晰圖像，通過兩者的線性組合🧑‍🧒‍🧒，獲取不同霧氣濃度下的訓練數據。在不引入額外計算開銷的基礎之上，該算法可以有效提升相關模型的性能🤺。