我们很高兴地宣布，我们近期发表的期刊论文「基于交叉三融合注意力机制的多分支美学与技术视角下的无参考视听质量评估」已于本月（2026年3月）在《IEEE视频技术电路与系统学报》（TCSVT）被接收。论文由本院与香港理工大学合作完成：
- Wai Lun Lo, Kwok Wai Wong, Richard Tai Chiu Hsung, Henry Shu Hung Chung, Hong Fu, Harris Sik Ho Tsang, and Tony Yulin Zhu, “A Range-Aware Attention Framework for Meteorological Visibility Estimation,” MDPI Sensors, 26(6), 1893, 2026, doi: 3390/s26061893.
论文连结：https://www.mdpi.com/1424-8220/26/6/1893
论文摘要
气象能见度估计是指估算在不同天气条件下我们能够看到的范围。准确估计能见度对于安全交通和环境监测至关重要。然而，即使是先进的深度学习模型，在能见度因雾、霾或其他大气效应而发生复杂、非线性变化时，其性能也往往不佳。另一个挑战是，能够将图像与基于传感器的精确能见度测量数据相结合的数据集非常有限。
本研究主要贡献有两项。首先，我们构建了一个名为香港珠海学院能见度数据集（HKCHC-VD）的新数据集。该数据集包含超过11,000张高质量图像，每张图像都与从专业Biral SWS-100气象传感器采集的精确能见度读数相匹配。
其次，我们开发了一种名为范围感知注意力（RAT-Attn）的新型深度学习框架。该系统通过使用一种能够适应不同能见度范围的特殊注意力机制，将气象信息直接融入到深度模型中。它结合了两种类型的网络——卷积神经网络 (CNN) 和视觉变换器 (ViT)——并包含一个可学习的阈值，帮助模型针对不同距离聚焦于正确的图像特征。
实验表明，RAT-Attn 的性能明显优于现有的能见度估计模型（例如 VisNet 和较早的基于人工神经网络的模型）。性能最佳的版本（ResNet + ViT，带有空间阈值）实现了高精度，均方误差为 5.87 km²，平均绝对误差为 1.65 km，分类任务准确率达到 87.07%。值得注意的是，在低能见度（0-10 km）情况下，与以往方法相比，其误差降低了 75% 以上。
我们将继续深化与领先研究机构的合作，共同开发前沿技术！
研究团队成员
香港珠海学院
卢苇麟教授，资讯科学系教授兼系主任
黄国威先生，资讯科学系研究助理
熊体超博士，资讯科学系副教授
曾锡豪博士，资讯科学系助理教授
朱禹林博士，资讯科学系助理教授
香港城市大学
钟树鸿教授，电机工程系讲座教授
香港教育大学
傅弘博士，数学与资讯科技系副教授
一些关于学术论文的照片
我们提出的范围感知注意力框架（RAT-Attn）的端到端架构。
BIRAL SWS-100 能见度传感器。
