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。基于RAW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、合肥物質研究院院長基金支持。 

　　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%。 

　　謝成軍與張潔團隊長期從事計算機視覺、模式識別等人工智能領域基礎理論研究及其在智慧農業、智慧能源、工業自動化及公共安全領域中的應用研究。團隊始終堅持面向世界科技前沿、面向國民經濟主戰場，不斷加強基礎理論研究和原始技術創新與產業化應用。近年來，團隊在人工智能領域頂級會議NeruIPS、CVPR、ICCV、ECCV、AAAI、ACM MM以及IEEE Transaction等期刊上發表論文二十余篇，涵蓋遙感圖像處理、小樣本圖像分類、圖像生成、因果推理、小目標檢測、多模態大模型等技術領域。在工程化實踐與成果轉化方面，面向農業病蟲害監測、能源智能巡檢、工業缺陷檢測、安全智慧管控等行業數字化、智能化轉型需求，開展原創性、引領性人工智能技術賦能行業應用核心技術攻關，形成系列自主知識產權產品及解決方案，相關技術產品在全國范圍內進行推廣應用。

    論文鏈接：https://arxiv.org/abs/2401.02161

    論文鏈接：https://arxiv.org/abs/2401.02151