2026年秋季学期视觉计算实验室第7次论文研读预告

时间：2026年11月07日（周六） 09:00

地点：望江校区基础教学楼B座318实验室

分享者：魏楷臻 沈嘉瑞

Part1

分享者：魏楷臻

分享内容：

[1] Jian-jun Qiao, Xiao Wu, Zhi-Qi Cheng, Wei Li, and Zhaoquan Yuan. PSGNet: Pure Smoke Image Generation With Gradient and Style Learning. IEEE Transactions on Visualization and Computer Graphics, volume 32, issue 7.

论文简介：

真实可控的纯烟雾生成对烟雾图像编辑、视觉特效制作以及安防场景下的烟雾数据集制作具有重要意义。然而，现有方法在刻画复杂的烟雾细节、调整多样风格方面仍存在明显困难。本文提出纯烟雾图像生成网络（PSGNet），借助了梯度学习与风格学习生成真实且可控的烟雾图像。该方法使用烟雾形状的MASK掩码指示烟雾的位置、轮廓等空间细节及相关属性，灵活控制烟雾的空间分布。为了增强合成烟雾的真实感，构建基于梯度的学习框架，由烟雾梯度学习架构捕捉真实烟雾特有的精细结构与模式，从而显著提升烟雾的细节与真实度。除此之外，本文还提出空间感知风格学习策略，在通道与空间两个维度上学习了风格特征，对烟雾密度、颜色与整体外观实现细粒度控制。梯度模块以及风格学习框架相结合，使生成的烟雾兼具丰富视觉细节与可定制风格。在6个基准数据集上的实验表明，PSGNet显著优于现有最优方法。

Part2

分享者：沈嘉瑞

分享内容：

[2] Peng R, Liu Z, Gao Y, et al. A generative framework for predicting cellular morphological and transcriptomic perturbation responses[J]. Cell Reports Methods, 2026, 6(7).

论文简介：

准确预测药物或基因扰动引起的细胞形态与基因表达变化，对理解细胞响应机制、开展药物筛选及构建虚拟细胞具有重要意义。然而，现有方法多局限于单一模态预测，或依赖某一模态的扰动后实测数据生成另一模态，难以直接预测未经实验测试的候选扰动。针对这一问题，本文提出统一的多模态生成式扩散框架 MultiVCDiff，以药物分子结构或目标基因信息为条件，同时生成细胞形态图像与基因表达谱。该框架通过模态专属编码器提取图像与表达特征，在联合潜在空间中利用去噪 Transformer 学习两种模态的关联，并在扰动条件引导下逐步去噪，最终解码得到相应的形态与转录组响应。此外，研究以共同扰动为纽带整合细胞成像与基因表达数据，构建四个涵盖化学及遗传扰动的数据集。在这些数据集及未见药物的零样本评估中，MultiVCDiff 在形态生成与表达预测方面取得优于对比方法的表现，并展现出药物作用机制检索能力。该研究为无需预先获取候选扰动实验响应的多模态虚拟筛选提供了新思路，也为虚拟细胞建模与药物发现提供了方法支持。