团队于26年5月25日召开组会

       2026年5月25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。本次组会围绕非均匀低照度图像增强、真实场景图像去雾及胚胎智能分级等前沿研究方向展开。三位同学分别结合相关研究论文，对研究背景、核心方法及实验结果进行了详细汇报。

       首先，研究生丁诗琪分享了《Nonuniform Low-Light Image Enhancement Based on Game-Retinex Variational and Adaptive Vector-Valued Gamma Correction》。针对传统Retinex变分模型中光照层与反射层相互干扰，以及全局固定伽马校正难以适应非均匀光照的问题，该研究提出了一种基于Game-Retinex的非均匀低照度图像增强方法。该方法将光照层与反射层的分解建模为双人博弈过程，通过分别优化包含条件自适应正则项的效用函数，降低两层之间的耦合，从而兼顾光照平滑性与反射细节保留。同时，研究利用像素级矢量伽马值替代传统的全局固定参数，实现暗区域自适应增强、亮区域细节保护以及反射层数值耗散补偿，有效提升了非均匀低照度图像的视觉质量。

       随后，研究生路建祥汇报了《Learning Hazing to Dehazing: Towards Realistic Haze Generation for Real-World Image Dehazing》。针对现有真实场景去雾方法依赖预训练模型、合成雾图像与真实雾图像存在明显域差异，以及扩散模型采样过程耗时较长等问题，该研究构建了由真实雾图像生成框架DiffDehaze组成的完整流程。HazeGen通过混合训练与融合采样策略，综合利用成对合成图像和无标签真实雾图像，生成更接近真实场景的高质量训练数据。在此基础上，DiffDehaze引入加速保真采样策略AccSamp，将去雾过程划分为初步去雾估计和引导细化两个阶段，在减少扩散采样步骤的同时保持图像结构与细节，提高了真实场景图像去雾的效率和视觉保真度。

       紧接着，研究生陈畅分享了《MDMBG-Net: A Multi-Task Deep Learning Model Addressing Class mbalance for Blastocyst Grading in IVF》。该研究聚焦体外受精过程中囊胚质量自动评估所面临的标签不一致、样本类别严重不平衡以及关键形态特征识别困难等问题。研究首先对训练数据中的未定义标签进行重新评估，并剔除测试集中的未定义或不可评估样本，以提高数据质量。MDMBG-Net以ResNeXt-50为特征提取骨干，结合卷积模块、双向长短期记忆网络和类别平衡损失，建立多任务分类模型，同时预测囊胚扩张程度、内细胞团质量和滋养外胚层质量。该方法能够降低模型对多数类别的预测偏向，为提升囊胚分级的客观性与准确性提供了新的技术路径。陈畅还结合研究内容，介绍了胚胎显微图像采集、专家标注、数据集构建及后续分类模型设计方案。

       在交流讨论环节，周昊老师针对三项研究中的问题建模、物理先验引入、数据质量控制、类别不平衡处理及实验验证方式进行了深入点评，进一步加强方法创新性、实验完整性和模型可解释性。此次组会深化了同学们对传统优化方法、生成式扩散模型及医学图像智能分析技术的认识，为后续科研工作的开展提供了新的思路和有益参考。