在计算机视觉领域，图像去雾是一项基础而重要的任务。现有的单图像去雾方法在处理均匀薄雾图像时已经取得了令人满意的性能，但当面对非均匀雾图像时，这些方法往往显得力不从心。非均匀雾图像的特点是雾的浓度在空间上变化，并且不同区域之间存在突然的密度转变，这给传统的去雾算法带来了巨大挑战。为了应对这一挑战，来自研究团队的Yingming Zhang、Wuqi Su、Qing Xiao和Yonggang Yang提出了一种名为CPIFNet（Concentration Partitioning and Image Fusion Network）的多分支深度神经网络框架，该工作于2026年4月27日提交至arXiv（编号2605.00885）。
CPIFNet的核心思想是将棘手的非均匀去雾问题分解为一系列易于处理的均匀子问题。关键洞察在于，一张非均匀雾图像可以被视为多个局部区域的组合，每个区域内的雾近似均匀。基于此，CPIFNet采用两阶段架构。第一阶段是图像增强网络（IENet），由多个独立的分支组成，每个分支专门在特定浓度水平的均匀雾数据集上训练，从而擅长恢复对应浓度的区域。第二阶段是图像融合网络（IFNet），它通过深度特征堆叠和合并，智能地聚合所有增强输出中的优势区域，生成统一的高质量去雾结果。
为了确保训练效果，研究团队引入了综合损失函数，该函数结合了重建损失、感知损失、结构损失和颜色损失，共同监督两个阶段的训练过程。实验结果表明，CPIFNet在处理非均匀雾图像时显著优于现有方法，能够有效恢复图像细节和色彩，展现出广阔的应用前景。该研究属于计算机视觉与模式识别领域，代码和模型有望在后续开源，推动实际部署。