コンピュータビジョン分野において、画像のデヘイジング（曇り除去）は基本的かつ重要なタスクである。既存の単一画像デヘイジング手法は均一な薄いヘイズ画像に対しては良好な性能を示すが、非一様なヘイズ画像に直面すると、これらの手法はしばしば苦戦する。非一様ヘイズ画像は、ヘイズ濃度が空間的に変化し、異なる領域間で急激な密度遷移があるという特徴を持ち、従来のアルゴリズムにとって大きな課題となっている。この課題に取り組むため、研究チーム（Yingming Zhang、Wuqi Su、Qing Xiao、Yonggang Yang）は、2026年4月27日にarXiv（番号2605.00885）に投稿された論文で、CPIFNet（Concentration Partitioning and Image Fusion Network）と呼ばれるマルチブランチ深層ニューラルネットワークフレームワークを提案した。
CPIFNetの核心的なアイデアは、困難な非一様デヘイジング問題を、複数の扱いやすい均一サブ問題に分解することである。重要な洞察として、1枚の非一様ヘイズ画像は、それぞれがほぼ均一なヘイズ特性を持つ複数の局所領域の複合体と見なすことができる。これに基づき、CPIFNetは2段階のアーキテクチャを採用している。第1段階は画像強調ネットワーク（IENet）であり、複数の独立したブランチから構成される。各ブランチは異なる濃度レベルの均一ヘイズデータセットで個別に訓練され、それぞれのヘイズ密度に合った領域を復元することに優れている。第2段階は画像融合ネットワーク（IFNet）であり、深い特徴スタッキングとマージングを通じて、すべての強調出力から有利な領域をインテリジェントに集約し、統一された高品質なデヘイズ結果を生成する。
さらに、研究チームは再構成損失、知覚損失、構造損失、色損失を組み合わせた包括的な損失関数を導入し、両方の段階を共同で監視する。実験結果は、CPIFNetが非一様ヘイズ画像の処理において既存の手法を大幅に上回り、画像の詳細と色彩を効果的に回復できることを示しており、広範な応用の可能性を秘めている。本研究はコンピュータビジョンとパターン認識の分野に属し、将来的にコードとモデルがオープンソース化されることで、実用的な展開が期待される。