近日，中國科學院合肥物質院智能所兩篇科研論文同時被人工智能領域頂級會議AAAI 2024接收。兩篇論文均出自謝成軍與張潔團隊，第一作者為碩士生何炫華，團隊成員李瑞、顏科宇、胡濤等為論文算法設計思路、部分實驗和論文撰寫做出了貢獻。
 

　　多光譜高分辨率的遙感圖像對于農業生產監測、災害監測評估、環境保護等領域具有重要意義。然而，現有基于深度學習的全色銳化算法受到神經網絡頻率偏好的影響，難以處理圖像中的高頻信息，并且固定的網絡結構難以處理遙感圖像中內容變化巨大的情況。為提高全色銳化模型的性能，使其更好地關注高頻信息并自適應地處理不同的圖像內容，團隊提出了頻率自適應多專家網絡FAME-Net，該方法受到離散余弦變換和多專家網絡的啟發，通過頻率掩碼預測器，自適應生成高低頻掩碼，并將高低頻特征分別送入不同的專家網絡進行處理，使網絡能夠分別關注高低頻部分，通過門控機制聚合多專家輸出，實現對不同圖像內容產生動態網絡結構。在多個公開數據集上的實驗結果表明，FAME-Net具有卓越的性能。相關研究以“Frequency-Adaptive Pan-Sharpening with Mixture of Experts“為題發表。
 

　　RAW-to-sRGB是一種顏色空間轉換方法，用于將相機捕捉到的原始RAW格式圖像數據轉換為標準RGB顏色空間，該項研究在計算機底層視覺領域具有重要研究價值與意義。現有的方法往往將RAW-to-sRGB的任務簡化為回歸問題，忽視了兩種圖像在空間結構和色彩信息上存在的內在差異，導致這些方法難以產生令人滿意的結果?；赗AW圖像和sRGB圖像之間差異的深入分析，并受到傅立葉變換先驗的啟示，團隊提出了使用頻域解耦合的RAW-to-sRGB新方法，設計了一種輕量級的FourierISP網絡，該網絡通過分別在相位和振幅分量上學習空間和色彩信息的增強，然后將這兩種信息進行融合，從而實現了高質量的Raw-to-sRGB轉換。實驗證明了所提出方法在多個公開數據集上的有效性。相關研究以“Enhancing RAW-to-sRGB with Decoupled Style Structure in Fourier Domain”為題發表。
 

　　兩項研究工作得到了國家自然科學基金、安徽省自然科學基金、合肥物質院院長基金支持。
 

　　據悉，AAAI是由國際人工智能促進協會主辦的年會，是人工智能領域中歷史最悠久、涵蓋內容最廣泛的國際頂級學術會議之一，也是中國計算機學會(CCF)推薦的A類國際學術會議。本屆AAAI會議共有12100篇投稿，打破歷史紀錄，經過全面嚴格的審查程序，共有2342篇論文脫穎而出，錄取率23.75%。
 

圖1 FAME-Net網絡結構
 

圖2 WorldView-III數據集上不同全色銳化算法對比結果圖
 

圖3 FourierISP網絡結構
 

圖4 ZRR數據集上不同RAW-to-sRGB方法對比結果圖