我院王晓华教授团队的研究成果“PRNet: Low-Light Image Enhancement Based on Fourier Transform”和“A Multi‐Scale Adaptive Network for Low‐Light Object Detection”分别发表在中科院二区期刊《IEEE Transactions on Instrumentation and Measurement》（IF=5.9）和《Journal of Field Robotics》（IF=5.2）。两项成果第一作者均为研究生张佳雨，指导教师为王晓华教授。

两篇论文的第一作者张佳雨同学为控制科学与工程专业2023级研究生，为我校推免硕士研究生，自本科以来积极加入到导师课题组，参与“弱光环境下机器人视觉感知”课题研究。经过系统的理论学习和实践锻炼，奠定了扎实的机器人环境感知的理论基础，积累了丰富的学科竞赛与科研项目经验，并计划继续攻读博士学位。

两项成果充分体现了电子信息学院在复杂弱光环境下机器人视觉感知领域的科研积累与创新能力，展现了学院在培养具备算法创新与工程实践能力的新工科人才方面取得的扎实成效。学院今后将继续完善科研平台建设，引入前沿技术资源，支持更多学生在学术探索与工程实践中发挥所长、实现突破。

图1 PRNet模型框架

成果简介：论文“PRNet: Low-Light Image Enhancement Based on Fourier Transform”聚焦弱光环境常见的亮度不足、对比度低与噪声增强等问题带来的机器人视觉退化问题，提出一种基于傅里叶变换的轻量化弱光增强网络PRNet，采用两阶段策略实现亮度提升与细节恢复。第一阶段像素增强网络，通过密集残差连接结构提升弱光图像的亮度，实现初步亮度增强；第二阶段细化修复网络，由频域交叉注意力模块构成，进一步恢复图像细节。在九个公共数据集进行了详细的定量与定性评估，PRNet在显著降低计算复杂度的同时，能够实现高质量的图像增强，且具备面向传统机器人控制器等资源受限平台的部署潜力。

图2 MANet模型框架

论文“A Multi‐Scale Adaptive Network for Low‐Light Object Detection”面向弱光场景中漏检、误检以及跨场景泛化不足等难题，提出多尺度自适应检测框架MANet：由基于多尺度特征提取模块的级联特征提取网络首先增强弱光下的局部细节与全局语义表征。随后通过自适应融合网络引入自适应特征提取模块与快速归一化融合，实现跨尺度特征的自适应提取与融合，同时设计联合损失提升复杂光照下的分类判别能力。实验表明，MANet在四个公共数据集及真实弱光场景测试中均取得优异性能，验证了其在真实弱光环境中的跨场景鲁棒性，为机器人在弱光环境中作业打下了坚实基础。

（撰写：纪超，审核：张蕾）