2024年，广西大学超算中心为计算机与电子信息学院的常侃教授及其研究生团队提供了全力支持。在超算中心的技术援助和资源保障下，该团队依托超算中心的NVIDIA Tesla V100 GPU卡开展了多个前沿领域的研究，取得了一系列具有重要影响力的科研成果。以下是团队的代表性研究成果：

第一项研究成果聚焦于图像超分辨率方向。常侃教授及其研究生团队提出了一种针对RAW图像的超分辨率方法PRNet。与传统的应用于标准RGB图像的超分辨率技术相比，PRNet直接处理RAW图像，从而避免sRGB图像处理中的误差累积、低比特深度和非线性问题。为了有效地恢复图像中的细节和结构，同时生成与特定相机ISP输出一致的生动色彩，研究团队设计了初始重建子网络、金字塔细化子网络和辅助色彩引导生成器。这一研究为RAW图像处理和超分辨率技术开辟了新的方向，具有重要的学术价值和应用前景。

该研究成果录用发表于计算成像领域国际顶刊《IEEE Transactions on Computational Imaging》，题为《PRNet: Pyramid Restoration Network for RAW Image Super-Resolution》。论文链接：https://ieeexplore.ieee.org/document/10463120。

第二项研究成果集中于解决曝光校正问题。针对现有曝光校正方法在校正结果一致性方面的不足，研究团队提出了一种基于光照感知的曝光校正网络IDNet。该网络利用离散小波变换对图像进行分解，并结合与照明相关的全局信息，旨在精确校正低频成分。为了提高模型的校正效率，研究团队设计了照明感知校正模块IACM和低频辅助增强模块LFEM，充分利用各频率成分之间的相互关系，从而有效恢复图像中的结构和细节。该研究在多个曝光条件下的图像增强任务中表现出优越的性能。该研究成果录用发表于神经网络研究领域一区Top期刊《Neural Networks》，题为《Illumination-aware divide-and-conquer network for improperly-exposed image enhancement》。

论文链接：https://www.sciencedirect.com/science/article/pii/S0893608024006579。

第三项研究成果聚焦于低光照增强任务。研究团队提出了一种新颖的联合图像超分辨率和低光照增强网络——JSLNet。针对现有超分辨率模型在低光照条件下表现不佳的问题，研究团队构建了一个新的数据集DarkSR，该数据集包含低分辨率的RAW和sRGB图像，以及对应的正常光照条件下的高分辨率sRGB图像。JSLNet通过双输入网络，充分利用RAW图像的高比特深度信息和sRGB图像中的色彩信息，有效融合这两种图像的互补信息。这项研究成果已被第17届亚洲计算机视觉顶会（Asian Conference on Computer Vision，ACCV）录用，论文题目为《Joint Image Super-Resolution and Low-Light Enhancement in the Dark》。

论文链接：https://link.springer.com/chapter/10.1007/978-981-96-0911-6_5。

第四项研究聚焦于解决恶劣天气条件下的目标检测问题。研究团队提出了一种名为AD-DAYOLO的辅助域引导自适应单阶段目标检测方法。该方法通过生成一个与目标域风格相似的辅助域，同时保持与源域图像相同的目标类别和位置信息，从而提供可靠的实例级适应指导。AD-DAYOLO采用对比学习，通过减少域间差异而非其他与域无关的差异，确保适应过程的有效性。实验结果表明，该方法在处理真实恶劣天气条件下的公共数据集时，显著提升了性能。这项研究成果已被第17届亚洲计算机视觉顶会（Asian Conference on Computer Vision，ACCV）录用，论文题目为《Auxiliary Domain-Guided Adaptive Object Detection in Adverse Weather Conditions》。

论文链接：https://link.springer.com/chapter/10.1007/978-981-96-0885-0_18。