近日，我院鲁棒视觉智能感知技术团队在弱光图像增强研究方向取得重要进展。由张凯兵老师指导、2023级硕士研究生李英健同学完成的学术论文《Rethinking Progressive Low-light Image Enhancement: A Frequency-Aware Tripartite Multi-Scale Network》成功被国际人工智能与计算机神经科学领域顶级期刊Neural Networks录用。这是今年该团队指导硕士研究生在国际权威期刊上发表高水平学术论文的又一重要成果。Neural Networks是国际神经网络学会（INNS）等三大神经建模协会的官方期刊，聚焦神经网络与计算智能领域，为中科院SCI期刊分区计算机科学大类二区TOP期刊、中国计算机学会CCF推荐人工智能领域B类期刊，2024-2025年最新影响因子为6.3。

弱光图像增强（Low-Light Image Enhancement, LLIE）是计算机视觉领域的关键研究方向，旨在解决低照度场景下图像因低对比度、色彩退化与噪声干扰导致的质量下降问题，为下游视觉任务提供高质量输入。近年来，基于深度学习的弱光增强方法取得一定进展，但现有多尺度渐进式网络存在尺度间信息交互不充分问题，且已有基于Transformer与CNN的方法多采用串行结构融合，容易导致关键细节信息的丢失，难以兼顾全局建模、局部细节恢复和模型效率。针对这一问题，团队提出一种新的渐进式三方协作多尺度弱光图像增强网络（Progressive Tripartite Multi-Scale Network, PTMSNet）。该方法通过设计三方多尺度融合模块（Tripartite Multi-Scale Fusion , TMF），以增强跨尺度特征之间的信息交互与细节传递。同时构建并行混合模块（Parallel Hybrid Module,PHM），采用CNN与轴基Transformer双分支并行架构，以捕捉弱光图像中高信噪比区域局部结构并修复低信噪比区域。此外，引入频域感知融合模块（Frequency-Aware Fusion Module , FAFM），实现双分支特征的动态自适应融合，有效抑制了已有并、串行融合结构的信息丢失问题。实验结果表明，PTMSNet在多个标准数据集的定量与定性评估指标上均显著优于现有主流方法，在实现高质量亮度恢复、色彩校正与细节增强的同时，保持了较低的计算复杂度。（撰稿：李鹏芳；审核：张凯兵）

人物链接：

李英健，男，2023年毕业于西安工程大学电子信息学院，2023年考入西安工程大学8827太阳集团官网电子信息专业攻读硕士研究生。获第十八届中国研究生电子设计竞赛西北赛区二等奖，“华为杯”二十一届研究生数学建模竞赛国家三等奖、“华为杯”第七届中国研究生人工智能创新大赛国家三等奖。研究方向为深度学习与弱光图像增强。目前计划前往天津大学攻读博士学位。