近期，人工智能与大数据学院计算机视觉与模式识别协同创新团队在遥感图像解译、低光图像检测、水下图像增强和低光图像增强等方向取得重要进展，研究成果分别发表于《IEEE Transactions on Geoscience and Remote Sensing》（中科院一区Top，影响因子8.6）、《Expert Systems with Applications》（中科院一区Top，影响因子7.5）等国际权威期刊，并有论文已被《IEEE Transactions on Multimedia》（中科院一区Top，影响因子9.7）录用待刊出。
在遥感小目标检测方向，团队针对遥感影像复杂背景干扰和小目标检测难题，提出轴压缩与多路径尺度自适应融合网络（AMSFNet）。该网络设计单向多尺度耦合模块增强小目标特征提取能力，构建轴压缩增强注意力模块聚合全局与局部信息以降低背景噪声干扰，通过多路径尺度自适应融合方法实现大小目标检测平衡。陈岩博士为第一作者，王晓峰教授为通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：Axis-Squeeze and Multirouting Scale-Adaptive Fusion Network for Remote Sensing Images Object Detection，引用链接：https://ieeexplore.ieee.org/document/11121344）
在复杂场景遥感语义分割方向，团队提出轻量级跨域耦合网络（LCCN）。该网络创新性采用“Encoder-Coupler-Decoder”架构，耦合器中通过跨域耦合模块实现多尺度特征提取与全局信息建模，解码器中借助轻量级全特征映射注意力模块捕捉多维度特征交互，优化复杂场景下的语义分割效果。王晓峰教授为第一作者，陈岩博士为通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：Cross-Domain Coupling Network With Lightweight Fully Featured Mapping and Loop Aggregation for Semantic Segmentation of High-Resolution Remote Sensing Images，引用链接：https://ieeexplore.ieee.org/document/11129080）
在低光环境目标检测方向，团队提出光照调制拉普拉斯金字塔增强网络（ILENet）。该网络设计 LEP 与 IMM 两大关键组件，LEP 优化低光图像多频率信息以提亮度、IMM 生成语义校正参数以优图像，且与 YOLO 检测器集成形成新框架，采用联合训练平衡增强与检测任务，在低光数据集上达 SOTA（准确率 78.5%），其有效性亦经低光语义分割任务验证。王晓峰教授为第一作者，邹乐教授为通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：ILENet: Illumination-Modulated Laplacian-Pyramid Enhancement Network for low-light object detection，引用链接：https://www.sciencedirect.com/science/article/pii/S0957417425001265）
在水下图像增强方向，研究团队提出一种融合特征提示 Transformer 的渐进式聚合器方法。该方法融合特征注意力机制与提示权重调节输入特征、聚焦全局信息并增强局部细节以优化画质的特征提示 Transformer 模块，实现特征高效传递与多尺度特征聚合、全面捕捉图像细节与语义信息的四阶段渐进式聚合器。该方法展现出优异的学习与泛化能力，且能为下游视觉任务带来显著性能增益。杨静博士为第一作者和通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：PAFPT: Progressive aggregator with feature prompted transformer for underwater image enhancement，引用链接：https://www.sciencedirect.com/science/article/pii/S0957417424024060）
在低光环境图像增强方向，团队提出去噪调制混合语义尺度感知网络（DHSNet）。该网络设计 SNR 去噪机制与 HSM 模块两大关键组件，前者在增强前对噪声进行预处理，后者实现多尺度语义特征融合以提升增强鲁棒性，同时引入 IPAB 模块以优化光照校正与非线性变换能力。DHSNet 有效缓解了噪声、伪影与色彩失真问题，能够在保留细节的同时重建退化结构。在多个低光增强数据集上的实验表明，DHSNet 在定性与定量指标上均优于现有方法，并在无参考低光增强与低光目标检测任务中展现出良好的泛化能力，验证了其在真实场景中的应用价值。硕士生杨仁涛与吴志泽教授为共同第一作者，王晓峰教授与邹乐教授为共同通讯作者，合肥大学人工智能与大数据学院为第一完成单位。（论文标题：DHSNet: Denoised-Modulated Hybrid-Semantic Scale-Aware Network for Low-Light Image Enhancement，状态：已录用，待刊出 Accepted）
计算机视觉与模式识别协同创新团队前身为人工智能与大数据学院视觉计算组，成立于2016年，依托安徽省智能制造多模态数据融合工程研究中心、安徽省高校优秀科研创新团队，围绕国家和安徽省“人工智能+”和计算机视觉应用的重大战略需求，聚焦国内外视觉智能与场景认知计算的前沿问题，开展视觉智能关键基础理论与算法研究，助力合肥大学学科建设和安徽省战略性新兴产业和区域经济发展。
（人工智能与大数据学院 撰稿：陈岩 初审：嵇圣硙 复审：吴志泽 终审：胡萍）