团队于26年5月11日召开组会

       2026年5月11日下午，本实验室在艺设楼会议室召开学术组会，团队指导教师周昊及全体研究生参加。本次组会围绕胚胎智能评估、夜间图像去雾、统一图像复原及扩散模型去雾等前沿研究方向展开。四位同学分别结合相关研究论文，对研究背景、模型设计和实验结果进行了详细汇报。

       首先，研究生丁诗琪分享了《Real-World Nighttime Image Dehazing via Bayesian-Based Fractional-Order Variational Model》。该研究针对真实夜间图像中雾霾、低照度、泊松噪声及光晕等多种退化因素相互耦合的问题，提出了一种基于贝叶斯理论的分数阶变分夜间图像去雾框架。该方法通过构建复合退化物理模型，将光照与反射率估计转化为最大后验概率优化问题，并引入双分数阶正则项，在平滑光照分量的同时有效保留图像边缘与纹理细节。此外，研究结合空间域与频率域增强策略，进一步改善了夜间图像的亮度、对比度及视觉质量。

       随后，研究生王宗静围绕人类视觉信息处理机制驱动的统一图像复原原方法进行了专题汇报，重点介绍了《Visual-in-Visual: A Unified and Efficient Baseline for Image Restoration》和《ClearAIR: A Human-Visual-Perception-Inspired All-in-One Image Restoration》两项研究。VIVNet通过在U形网络中引入生物视觉启发模块BIM，模拟视网膜编码、侧抑制和高阶信息交互过程，利用相似度感知加权抑制冗余特征并强化有效信息，在保持较低计算开销的同时实现了多类图像退化任务的统一复原。ClearAIR则模拟人类视觉从整体感知到局部细节分析的过程，构建“全局质量评估、区域语义感知、退化任务识别与细节恢复”的由粗到细复原框架，提升了模型处理复杂复合退化图像的能力。

       紧接着，研究生路建祥汇报了《High-quality Image Dehazing with Diffusion Model》。该研究针对传统扩散模型缺乏图像去雾物理先验、难以恢复浓雾区域细节的问题，将条件去噪扩散概率模型与大气散射模型相结合。模型首先估计透射图、伪清晰图像及大气光信息，并将其作为条件引导扩散模型学习清晰图像分布。同时，研究通过雾感知条件、置信度引导动态融合及频率先验约束，使模型能够重点处理信息缺失严重的浓雾区域，从而获得更加清晰、自然的图像去雾结果。

       最后，研究生陈畅汇报了《Ensemble Deep Learning with Advanced Feature Engineering for Embryo Evaluation on In-vitro Fertilisation Procedures Using Biomedical Images》。针对传统胚胎质量评估依赖专家经验、评价结果主观性较强，以及现有智能评估方法受样本不平衡和模型泛化能力不足等问题，该研究构建了融合先进特征工程与集成深度学习的胚胎评估框架。该方法利用改进的DenseNet和通道注意力机制提取胚胎图像特征，并结合TCN、ENN和CVAE等模型进行集成分类，从而提升胚胎质量评估的准确性、稳定性与鲁棒性，为辅助生殖过程中的胚胎筛选提供了新的技术思路。

       在交流讨论环节，周昊老师针对各项研究中的问题建模、创新点提炼进行了深入点评，并鼓励同学们在借鉴人类视觉感知机制与生成模型优势的同时，进一步关注方法的可解释性、实际应用价值和跨数据集泛化能力。此次组会拓宽了同学们对图像复原与智能医学影像研究的认识，为后续科研工作的开展提供了有益参考。