在計算機視覺領域，影像去霧是一項基礎而重要的任務。現有的單影像去霧方法在處理均勻薄霧影像時已經取得了令人滿意的效能，但當面對非均勻霧影像時，這些方法往往顯得力不從心。非均勻霧影像的特點是霧的濃度在空間上變化，並且不同區域之間存在突然的密度轉變，這給傳統的去霧演算法帶來了巨大挑戰。為了應對這一挑戰，來自研究團隊的Yingming Zhang、Wuqi Su、Qing Xiao和Yonggang Yang提出了一種名為CPIFNet（Concentration Partitioning and Image Fusion Network）的多分支深度神經網路框架，該工作於2026年4月27日提交至arXiv（編號2605.00885）。
CPIFNet的核心思想是將棘手的非均勻去霧問題分解為一系列易於處理的均勻子問題。關鍵洞察在於，一張非均勻霧影像可以被視為多個區域性區域的組合，每個區域內的霧近似均勻。基於此，CPIFNet採用兩階段架構。第一階段是影像增強網路（IENet），由多個獨立的分支組成，每個分支專門在特定濃度水平的均勻霧資料集上訓練，從而擅長恢復對應濃度的區域。第二階段是影像融合網路（IFNet），它透過深度特徵堆疊和合並，智慧地聚合所有增強輸出中的優勢區域，生成統一的高質量去霧結果。
為了確保訓練效果，研究團隊引入了綜合損失函式，該函式結合了重建損失、感知損失、結構損失和顏色損失，共同監督兩個階段的訓練過程。實驗結果表明，CPIFNet在處理非均勻霧影像時顯著優於現有方法，能夠有效恢復影像細節和色彩，展現出廣闊的應用前景。該研究屬於計算機視覺與模式識別領域，程式碼和模型有望在後續開源，推動實際部署。