时间：2026年09月05日（周六）上午09:00
地点：望江校区基础教学楼B座318实验室
分享者：刘宜松、李天豪
Part1
分享者：刘宜松
分享内容：[1] Zheng Y, Zhong B, Liang Q, et al. Decoupled spatio-temporal consistency learning for self-supervised tracking[C]//Proceedings of the AAAI conference on artificial intelligence. 2025, 39(10): 10635-10643.
视觉跟踪领域的发展在很大程度上得益于大规模人工边界框标注数据集。然而，获取高质量边界框标注通常需要耗费大量人力与时间，这在一定程度上限制了现有跟踪数据集的规模与场景多样性。为降低视觉跟踪对人工框标注的依赖，这篇文章提出了一种自监督视觉跟踪框架SSTrack，在无需边界框监督的条件下学习具有良好泛化能力的目标跟踪表示。SSTrack 的核心是一个解耦的时空一致性学习框架，分别从空间和时间两个维度挖掘跨帧目标信息。其中，全局空间定位用于学习不同空间视角下的目标对应关系，局部时间关联则进一步建模连续帧之间目标外观与运动的变化，从而增强模型对真实跟踪场景中目标形变、运动变化以及背景干扰的适应能力。在此基础上，该方法进一步引入实例对比学习，通过不同视角之间的实例级对应关系构建自监督信号，提升模型对目标身份信息的判别能力。实验结果表明，SSTrack 在多个视觉跟踪基准上取得了具有竞争力的性能，并在整体上优于现有部分自监督跟踪方法，验证了时空一致性学习与实例级对比学习在无标注条件下提升视觉跟踪表征能力的有效性。
Part2
分享者：李天豪
分享内容：[2] Zhao J, Yang F, Li X, et al. GeneVAR: Causal MeanFlow for Autoregressive Gene-to-WSI Tile Synthesis[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2026: 34116-34125.
计算病理领域长期关注基因表达与组织形态之间的关联，从RNA-Seq等转录组信息直接生成病理组织图像，为研究分子变化如何影响组织形态提供了一种新的计算手段。然而，现有Gene-to-WSI方法通常将高维基因表达压缩为单一全局表征，并仅在生成初始阶段进行条件注入，随着生成过程不断推进，转录组信息容易逐渐衰减。同时，染色差异、图像对比度以及肿瘤纯度等非生物因素也可能与真实的基因驱动形态发生混淆，影响生成结果的生物学一致性。针对这些问题，本文提出GeneVAR，将基因引导的病理图像生成重新建模为由粗到细的多尺度自回归过程，在不同生成阶段持续注入转录组信息，从而保持基因表达对组织形态生成的持续引导。其核心模块Causal MeanFlow进一步通过颜色异常、对比度变化和锐化等反事实干预，抑制染色及成像伪影等非生物混杂因素，使模型更加关注与转录组相关的真实组织形态。同时，GeneVAR结合β-VAE、多尺度向量量化以及梯度引导掩码，实现基因表征压缩、跨尺度形态建模和关键分子相关区域选择。实验在五个TCGA癌种队列上开展，结果表明GeneVAR在生成质量和细胞组成一致性方面均取得较好表现，并能够通过生成数据进一步提升病理图像分类和WSI级MIL任务性能。整体而言，该工作从持续分子引导和非生物因素抑制两个方面增强了Gene-to-WSI生成的生物学一致性。
