透过散射介质成像具有科学含义和使用价值。有研讨使用深度神经网络完成在散斑图样中恢复明晰的物体，经过优化光场调控完成透过散射介质聚集以及完成超17倍光学厚度的散射成像等。而受限于实践使用场景数据集难以收集，大都研讨只能使用空间光调制器顺次加载很多图画。在试验室人工散射环境中，人工光源侵入式照明条件下，使用相机收集相应的散射图画。这样规划的试验条件与实践散射场景在光学特性上截然不同。经过这一些数据练习的深度神经网络只可用于相似的试验环境，无法使用于实在的外场散射环境。

  该团队提出了深度学习技能使用于实在散射场景的解决方案，别离从试验设备规划、数据集规划、数据预处理办法、AI模型优化和布置等方面展开研讨，在实在物体和天然场景中获得明显的散射成像作用。

  研讨显现，跟着散射程度加深，原始散射图画敏捷退化并彻底没有办法分辩。DescatterNet对实在物体完成了高质量的散射成像，提高了成像体系的勘探功能。

  在前期效果的基础上，该团队进行了天然场景的散射成像试验并搭建了成像设备。试验中，该团队完成了透过野外5.9km的浓雾环境对天然场景的散射成像。传统图画增强办法难以恢复出明晰图画，而DescatterNet能获得最优的恢复成果。

  该研讨标明，AI技能使用于实在散射场景的重点是适配的数据集、数据处理算法及强壮的神经网络。该研讨结合光学成像原理研发的新一代智能成像技能提高了体系的勘探功能，在恶劣气候下交通安全、视频监控、火场救援和水下勘探等范畴展现出使用远景。