极端复杂场景下基于深度学习的影像质量增强研究

课题名称: 极端复杂场景下基于深度学习的影像质量增强研究
学科专业: 计算机科学
课题关键词: 影像质量增强深度学习极端复杂场景
辅导模式: 1对1
发表目标: SCI期刊1-2区
课题介绍: 影像作为信息时代的关键信息载体，其质量直接决定后续分析决策的可靠性。在极端复杂场景下，如光照剧变、低照度、雨雾沙尘等恶劣天气，以及运动模糊、传感器噪声等干扰因素的耦合作用，常导致影像出现严重降质问题，具体表现为细节丢失、对比度失衡与噪声污染，严重制约后续视觉任务的精度。传统增强算法多依赖人工设计的特征提取器，在复杂降质因素耦合场景下难以建立普适性模型。近年来，深度学习技术凭借强大的特征学习能力，为解决此类问题提供了新范式，通过端到端学习实现复杂映射关系建模。然而，极端场景下的影像增强仍面临标注数据稀缺、降质模型与真实场景存在域差异、增强后易出现过平滑或细节失真等挑战。本研究针对极端场景下的非均匀降质特性，探索基于深度学习的自适应增强机制，重点研究复杂降质的解耦表征、跨域知识迁移及细节保真增强策略，旨在突破现有方法在强干扰环境下的性能瓶颈，为安防监控、自动驾驶等关键领域提供技术支撑。

导师信息

科研导师

Dr. Han

985高校博士

导师介绍

研究领域：图像压缩,目标检测,显著性检测与变化检测,图像增强,影像数据压缩与解析学术成果：发表论文共31篇，包含SCI检索论文11篇，SCI一区及TOP论文9篇，单篇引用170次，包括IEEE TPAMI、IEEE TITS、IEEE TGRS等；专利成果5项；担任国际权威期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（SCI一区），IEEE Transactions on Intelligent Transportation Systems（SCI一区），IEEE Transactions on Geoscie

招生要求

面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。